Eine von RISE-Health geleitete internationale Studie zeigte, dass einfache statistische Modelle fortschrittliche Algorithmen bei der Vorhersage des kardiovaskulären Risikos übertreffen können. Die Forschung verglich 11 verschiedene Methoden des maschinellen Lernens und der regularisierten Regression.
Die Forscher analysierten verschiedene Ansätze, um zu evaluieren, welcher davon das kardiovaskuläre Risiko der Patienten am genauesten vorhersagen konnte. Die Ergebnisse zeigen, dass die Techniken der regularisierten Regression eine gleichwertige oder bessere Leistung erzielten als die komplexeren Methoden des maschinellen Lernens.
Diese Studie stellt die weit verbreitete Annahme in Frage, dass ausgefeiltere Algorithmen in der prädiktiven Medizin zwangsläufig genauer sind. Die Forschung legt nahe, dass die Einfachheit traditioneller statistischer Modelle in bestimmten klinischen Kontexten ausreichend und sogar vorteilhaft sein kann.
Die Ergebnisse haben wichtige Implikationen für die medizinische Praxis, da einfachere Methoden tendenziell besser interpretierbar, leichter implementierbar und kostengünstiger sind als komplexere auf Künstlicher Intelligenz basierende Lösungen.
