Naast het voorspellen van uitkomsten, kan deze kennis specifieke behandelingen sturen, de toewijzing van middelen optimaliseren en uiteindelijk de resultaten voor de patiënt verbeteren. Een groep Turkse onderzoekers heeft een op machine learning gebaseerde aanpak gepresenteerd voor het voorspellen van de overleving van paarden met koliek, waarbij de nadruk ligt op het integreren van klinische, procedurele en diagnostische parameters in robuuste voorspellende modellen. Door gebruik te maken van gesuperviseerde leeralgoritmen en Explainable Artificial Intelligence (XAI)-technieken is het doel niet alleen om een hoge voorspellende nauwkeurigheid te bereiken, maar ook om interpreteerbare informatie te bieden over de belangrijkste factoren die de uitkomsten beïnvloeden.

De gebruikte methodologie benadrukt ook het belang van transparantie in AI-ondersteunde voorspellingen, zodat dierenartsen de logica achter de beslissingen van de modellen beter kunnen begrijpen. Deze interpreteerbaarheid bevordert het vertrouwen en vergemakkelijkt specifieke behandelstrategieën, waardoor de modellen als praktische hulpmiddelen in klinische omgevingen kunnen dienen.

De experts zeiden dat verklaarbare kunstmatige intelligentie een verscheidenheid aan methodologieën omvat die erop gericht zijn om de resultaten van AI-systemen interpreteerbaar te maken voor mensen. Deze technieken “verbeteren het begrip van AI-modellen door de onderliggende motivaties en processen te verduidelijken die gebruikt worden om voorspellingen te genereren”.

Het proces begon met het verzamelen van een dataset met klinische en fysiologische informatie die relevant is voor de gezondheid en overlevingsresultaten van paarden. Vervolgens werden verschillende machine learning-modellen ontwikkeld en getraind op de verwerkte gegevens om de overlevingskans van het paard te voorspellen. Elk model werd geselecteerd op basis van zijn vermogen om om te gaan met categorische en numerieke kenmerken en tegelijkertijd de complexiteit van de dataset aan te pakken.

Van de geteste modellen presteerde het 'Random Forest'-model het best in termen van nauwkeurigheid, met een nauwkeurigheid van 86,1%. XGBoost volgde op de voet met een hogere nauwkeurigheid (86,2%) en was daarmee het best presterende model.

Kenmerken zoals verhoogd totaal eiwit, verhoogde pols en abdominale zwelling werden geïdentificeerd als dominante factoren die een slechte uitkomst voorspelden. Op basis van deze informatie “zou een dierenarts prioriteit kunnen geven aan interventies zoals agressieve vochttherapie om uitdroging te behandelen, cardiovasculaire ondersteuning om de pols te stabiliseren en diagnostische beeldvorming om de gezondheid van de buik te beoordelen.”

Als zodanig merkten de auteurs op dat “deze studie het transformatieve potentieel van verklaarbare kunstmatige intelligentie benadrukt om het beheer van koliek bij paarden te bevorderen, en gepersonaliseerde inzichten die zijn afgeleid van deze technologieën komen naar voren als de meest impactvolle bijdrage.” Door interpretabele, casusspecifieke verklaringen te bieden voor de voorspellingen van het model, “kunnen dierenartsen interventies op maat maken op basis van het unieke klinische profiel van elk paard, waarbij ze verder gaan dan algemene behandelingsprotocollen en de weg vrijmaken voor veterinaire precisiegeneeskunde.”

Gezien deze resultaten concluderen ze dat de gepersonaliseerde kennis die is verkregen uit het onderzoek dierenartsen praktische kennis biedt die is afgestemd op individuele gevallen, waardoor de kloof tussen voorspellende modellen en klinische toepassing in de praktijk kleiner wordt. “Deze gepersonaliseerde benadering van paardenzorg heeft het potentieel om de overlevingsresultaten en het algehele welzijn aanzienlijk te verbeteren.”