Le tecniche di apprendimento automatico possono prevedere meglio il rischio di sanguinamento per i pazienti sottoposti a intervento coronarico percutaneo (PCI) rispetto ai metodi tradizionali, riferiscono i ricercatori di Yale.

Questo studio è pubblicato in Rete JAMA aperta .

Il team di ricerca ha analizzato i dati del National Cardiovascular Data Registry (NCDR) dell'American College of Cardiology (ACC) dal 2009 al 2015 utilizzando l'apprendimento automatico, un ramo dell'intelligenza artificiale in grado di eseguire compiti inferendo modelli nei dati. Il database include più di 3 milioni di procedure condotte negli ospedali degli Stati Uniti. Il team ha scoperto che l'analisi dell'apprendimento automatico ha migliorato la previsione del rischio di sanguinamento dopo PCI (spesso utilizzato per aprire i vasi sanguigni ristretti dall'accumulo di placca), che potrebbe informare meglio le decisioni di pazienti e medici.

"Stiamo scoprendo che l'apprendimento automatico può consentirci di migliorare la nostra capacità di prevedere il rischio meglio dei nostri approcci tradizionali, " ha detto il dottor Harlan Krumholz, Cardiologo di Yale e direttore del Yale New Haven Hospital Center for Outcomes Research and Evaluation (CORE). "È importante che la chiave sta nel modo in cui le informazioni sui pazienti vengono elaborate anche prima dell'inizio dell'analisi. In futuro queste tecniche ci consentiranno di personalizzare le stime in misura molto maggiore".

Il team comprendeva medici, scienziati clinici, e scienziati dei dati. Questo studio è uno dei primi ad impiegare l'apprendimento automatico nei massicci registri dell'ACC. CORE è partner di ACC nell'Institute for Cardiovascular Computational Health e questo progetto è uno dei primi prodotti di tale collaborazione.