Kunstmatige intelligentie kan medische controles helpen verminderen

Een bezoek aan de arts die een bloedonderzoeksverzoek genereert. Een terugkeer die nog een verzoek tot bloedtest genereert omdat de arts "zeker wil zijn". Dit is een lus die waarschijnlijk iedereen heeft doorgemaakt of zal doormaken in het leven. Of misschien niet. Voor Jonathan Chen, universitair docent geneeskunde aan de Stanford University, kan kunstmatige intelligentie helpen deze cyclus door een algoritme te doorbreken.

Fundamenteel en beschouwd als de hoeksteen van de diagnostische geneeskunde, kunnen herhaalde bloedtesten herwerking en een overloop betekenen, omdat de kans op herhaalde ongewijzigde resultaten enorm is. Bovendien kan herhaalde toediening van dezelfde test schadelijk zijn voor de patiënt.

Voor Jason Hom, een universitair docent geneeskunde, worden, in aanvulling op de financiële nadelen van onnodig testen, in sommige gevallen tests zo vaak gedaan dat patiënten zelfs bloedarm kunnen worden.

Zorgen voor een diagnose is ongetwijfeld essentieel, maar voor Chen is deze behoefte te wijten aan het ontbreken van richtlijnen over wat de reden is voor verschillende bloedonderzoeken. Chen en zijn team benadrukken dat het algoritme een hulpmiddel is dat bewijs levert waarmee rekening moet worden gehouden voor elke patiënt, geen beslissingsmethode voor de arts of patiënten.

Foto: Freepik

Kortom, het algoritme vertelt de arts hoe waarschijnlijk een andere test een ander resultaat zal produceren dan de eerste.

Het gebruik van kunstmatige intelligentie is begonnen met testen en onthult dat artsen tests vaak kunnen verminderen. De gegevens verzameld in de pilotstudie tonen aan dat sommige van deze tests zo nauw worden uitgevoerd dat het fysiologisch onmogelijk is om de resultaatwaarden te wijzigen.

Om het algoritme te testen, gebruikten Chen en zijn team gegevens van niet-geïdentificeerde patiënten, zoals vitale functies, medische aandoeningen, symptomen, laboratoriumtestresultaten en anderen, om aan te tonen hoe vaak bloedonderzoek een afwijking meldde. De tests werden uitgevoerd op Stanford, de Universiteit van Californië en de Universiteit van Michigan.

“Dit is een goede eerste stap om aan te tonen dat het echt mogelijk is om gegevens op deze manier te gebruiken om onnodige laboratoriumtests te helpen verminderen. Maar uiteindelijk is het ons idee dat instellingen onze methode en technologie gebruiken, maar hun eigen algoritmen ontwikkelen op basis van hun eigen gegevens om de hoogst mogelijke nauwkeurigheid te genereren, "zegt Chen.