Machine learning-technieken kunnen het bloedingsrisico beter voorspellen voor patiënten die percutane coronaire interventie (PCI) ondergaan dan traditionele methoden, melden Yale-onderzoekers.

Deze studie is gepubliceerd in JAMA-netwerk geopend .

Het onderzoeksteam analyseerde gegevens van de American College of Cardiology's (ACC) National Cardiovascular Data Registry (NCDR) van 2009 tot 2015 met behulp van machine learning, een tak van kunstmatige intelligentie die in staat is om taken uit te voeren door patronen in gegevens af te leiden. De database bevat meer dan 3 miljoen procedures die zijn uitgevoerd in ziekenhuizen in de Verenigde Staten. Het team ontdekte dat machine learning-analyse de voorspelling van het bloedingsrisico na PCI verbeterde (vaak gebruikt om bloedvaten te openen die vernauwd zijn door de opbouw van plaque), die beslissingen van patiënten en artsen beter zouden kunnen informeren.

"We ontdekken dat machine learning ons in staat kan stellen om ons vermogen om risico's beter te voorspellen, beter te verbeteren dan onze traditionele benaderingen, " zei Dr. Harlan Krumholz, Yale-cardioloog en directeur van het Yale New Haven Hospital Center for Outcomes Research and Evaluation (CORE). "Belangrijk, de sleutel is hoe de informatie over de patiënten wordt verwerkt, zelfs voordat de analyse begint. In de toekomst zullen deze technieken ons in staat stellen om schattingen veel meer te personaliseren."

Het team bestond uit clinici, klinische wetenschappers, en datawetenschappers. Deze studie is een van de eerste die machine learning toepast in de enorme registers van de ACC. CORE is een partner van ACC in het Institute for Cardiovascular Computational Health en dit project is een van de eerste producten van die samenwerking.