Maskinlæring forudsiger bedre blødningsrisiko under koronar procedurer

Maskinlæringsteknikker kan bedre forudsige blødningsrisiko for patienter, der gennemgår perkutan koronar intervention (PCI) end traditionelle metoder, rapporterer Yale -forskere.

Denne undersøgelse er offentliggjort i JAMA Network Open .

Forskergruppen analyserede data fra American College of Cardiology's (ACC) National Cardiovascular Data Registry (NCDR) fra 2009 til 2015 ved hjælp af machine learning, en gren af ​​kunstig intelligens, der er i stand til at udføre opgaver ved at udlede mønstre i data. Databasen indeholder mere end 3 millioner procedurer udført på hospitaler i hele USA. Teamet fandt ud af, at maskinlæringsanalyse forbedrede forudsigelsen af ​​blødningsrisiko efter PCI (bruges ofte til at åbne blodkar, der er indsnævret ved plakopbygning), som bedre kunne informere beslutninger fra patienter og læger.

"Vi opdager, at maskinlæring kan sætte os i stand til at forbedre vores evne til at forudsige risiko bedre end vores traditionelle metoder, "sagde Dr. Harlan Krumholz, Yale -kardiolog og direktør for Yale New Haven Hospital Center for Outcomes Research and Evaluation (CORE). "Det er vigtigt, nøglen er i, hvordan oplysningerne om patienterne behandles, selv før analysen begynder. I fremtiden vil disse teknikker gøre os i stand til at personliggøre estimater i langt større omfang. "

Teamet omfattede klinikere, kliniske forskere, og dataforskere. Denne undersøgelse er en af ​​de første til at anvende maskinlæring til de massive registre i ACC. CORE er partner med ACC i Institute for Cardiovascular Computational Health, og dette projekt er et af de første produkter i dette samarbejde.