Maskininlärningstekniker kan bättre förutsäga blödningsrisk för patienter som genomgår perkutan koronar intervention (PCI) än traditionella metoder, rapporterar Yale -forskare.

Denna studie publiceras i JAMA Network Öppna .

Forskargruppen analyserade data från American College of Cardiologys (ACC) National Cardiovascular Data Registry (NCDR) från 2009 till 2015 med hjälp av maskininlärning, en gren av artificiell intelligens som kan utföra uppgifter genom att härleda mönster i data. Databasen innehåller mer än 3 miljoner procedurer utförda på sjukhus över hela USA. Teamet fann att maskininlärningsanalys förbättrade förutsägelsen av blödningsrisk efter PCI (används ofta för att öppna blodkärl som minskas av plackuppbyggnad), som bättre kan informera patienter och läkares beslut.

"Vi upptäcker att maskininlärning kan göra det möjligt för oss att förbättra vår förmåga att förutsäga risker bättre än våra traditionella tillvägagångssätt, " sa Dr Harlan Krumholz, Yale -kardiolog och chef för Yale New Haven Hospital Center for Outcomes Research and Evaluation (CORE). "Viktigt, nyckeln är hur informationen om patienterna behandlas redan innan analysen börjar. I framtiden kommer dessa tekniker att göra det möjligt för oss att personifiera uppskattningar i mycket större utsträckning."

I teamet ingick kliniker, kliniska forskare, och datavetenskapare. Denna studie är en av de första som använde maskininlärning till ACC:s massiva register. CORE är en partner med ACC i Institute for Cardiovascular Computational Health och detta projekt är en av de första produkterna av det samarbetet.