Kunne kunstig intelligens forbedre patientplejen i NHS?

Vedtagelsen af ​​kunstig intelligens i diagnosticering og prognose af sygdom kan bidrage til at forlænge folks liv og samtidig give betydelige besparelser for NHS.

Dette er ifølge forskere fra Cardiff University, som har leveret overbevisende beviser, der viser de fordele, som state-of-the-art teknikker kan bringe til risikovurderinger hos patienter.

I en ny undersøgelse offentliggjort i PLOS One , Forskerholdet har vist, hvordan kunstig intelligens kan give en lige så nøjagtig og pålidelig prognose for patienter med hjerte-kar-sygdomme, sammenlignet med traditionelle metoder.

De maskinlæringsteknikker, de brugte, krævede ingen ekspertise eller menneskelig interaktion og overvandt derfor en stor flaskehals i processen.

Medforfatter til undersøgelsen Professor Craig Currie, fra Cardiff University's School of Medicine, sagde:"Hvis vi kan forfine disse metoder, de vil give os mulighed for meget tidligere at bestemme de mennesker, der har brug for forebyggende foranstaltninger. Dette vil forlænge folks liv og spare NHS-ressourcer."

I en tid med evidensbaseret medicin, brugen af ​​statistik er blevet en afgørende del af vurderingen af ​​risiciene ved visse typer sygdomme.

Traditionelt, klinikere og statistikere har grebet denne opgave an ved manuelt at udvikle matematiske ligninger. Imidlertid, kunstig intelligens giver teknikker, der kan afdække komplekse sammenhænge i dataene.

"Selvom vi allerede har pålidelige metoder til at forudsige mennesker i forhold til deres grad af risiko for alvorlige hjertehændelser, kunstig intelligens lover nye måder at afhøre data på og sandsynligheden for mere pålidelig klassificering af risiko, " fortsatte professor Currie.

I deres undersøgelse, holdet afprøvede en teknik kendt som genetisk programmering (GP) – en metode inspireret af evolution i naturen, hvor computerprogrammer kodes som et sæt gener, der derefter iterativt modificeres eller udvikles.

GP er fordelagtig i forhold til algoritmer produceret af mennesker, idet det reducerer bias og muligheden for menneskelige fejl, samtidig med at eventuelle ændringer i miljøet automatisk integreres i matematiske formler.

En fordel ved denne særlige tilgang er, at de komplekse sammenhænge, ​​der afsløres af kunstig intelligens fra dataene, kan gøres gennemsigtige for klinikerne, hvilket betyder, at der ikke er behov for, at de afviger fra deres eksisterende praksis.

I undersøgelsen brugte holdet GP til at vurdere de fremtidige risici for en kardiovaskulær hændelse, såsom kardiovaskulær død, ikke-dødelig slagtilfælde eller ikke-dødelig myokardieinfarkt, i over 3, 800 hjerte-kar-patienter, i alderen 19-83, over en 10-årig periode.

Maskinlæringsalgoritmerne brugte i alt 25 prædiktorer taget fra patientdata, inklusive alder, køn, BMI, alkohol- og rygeforbrug og blodtryk.

Resultaterne viste, at maskinlæringsalgoritmerne kunne præstere sammenligneligt med traditionelle metoder til at forudsige risikoen forbundet med individuelle patienter.

Medforfatter til undersøgelsen Professor Irena Spasić, fra Cardiff University's School of Computer Science and Informatics, sagde:"Evnen til at fortolke løsninger, der tilbydes af machine learning, har indtil videre holdt teknologien tilbage med hensyn til integration i klinisk praksis.

"Imidlertid, i lyset af den nylige genopblussen af ​​neurale netværk, det er vigtigt ikke at sidestille andre maskinlæringsmetoder, især dem, der tilbyder gennemsigtighed såsom genetisk programmering eller beslutningstræer. Trods alt, vi søger at bruge kunstig intelligens til at hjælpe menneskelige eksperter og ikke helt at tage dem ud af ligningen."