A allai deallusrwydd artiffisial wella gofal cleifion yn y GIG?

Gallai mabwysiadu deallusrwydd artiffisial ar gyfer diagnosis a phrognosis clefyd helpu i ymestyn bywydau pobl a gwneud arbedion sylweddol i'r GIG.

Mae hyn yn ôl ymchwilwyr o Brifysgol Caerdydd sydd wedi cyflwyno tystiolaeth gref sy'n dangos manteision defnyddio’r technegau diweddaraf wrth wneud asesiadau risg mewn cleifion.

Mewn astudiaeth newydd sbon, mae'r tîm o ymchwilwyr wedi dangos sut y gall deallusrwydd artiffisial gynnig prognosis yr un mor gywir a dibynadwy i gleifion â chlefyd cardiofasgwlaidd, o'i gymharu â dulliau traddodiadol.

Nid oedd angen unrhyw arbenigedd na rhyngweithio dynol i ddefnyddio’r technegau dysgu peiriant hyn felly roedd yn arbed amser.

Dywedodd cyd-awdur yr astudiaeth, yr Athro Craig Currie, o Ysgol Meddygaeth Prifysgol Caerdydd: "Os gallwn ni fireinio'r dulliau hyn, byddant yn ein galluogi i benderfynu pwy sydd angen mesurau ataliol lawer yn gynharach. Bydd hyn yn ymestyn bywydau pobl ac yn gwarchod adnoddau’r GIG."

Mewn cyfnod o feddygaeth sy'n seiliedig ar dystiolaeth, mae defnyddio ystadegau yn rhan hanfodol o amcangyfrif risgiau mathau penodol o glefydau.

Yn draddodiadol, mae clinigwyr ac ystadegwyr wedi mynd i'r afael â'r dasg hon trwy ddatblygu hafaliadau mathemategol eu hunain. Fodd bynnag, mae deallusrwydd artiffisial yn cynnig technegau a all ddatgelu cysylltiadau cymhleth yn y data.

Yn eu hastudiaeth, treialodd y tîm dechneg a elwir yn rhaglennu genetig - dull a ysbrydolwyd gan esblygiad mewn natur lle mae rhaglenni cyfrifiadurol yn cael eu hamgodio fel set o enynnau sydd wedyn yn cael eu haddasu neu eu datblygu'n helaeth.

Mae rhaglennu genetig yn well nag algorithmau a gynhyrchir gan bobl gan fod llai o bosibilrwydd o ragfarn a chamgymeriadau dynol. Ar yr un pryd mae’n caniatáu i unrhyw newidiadau yn yr amgylchedd gael eu hintegreiddio'n awtomatig i fformiwlâu mathemategol.

Mantais o'r dull penodol hwn yw y gall y cymhlethdodau a ddatgelir gan ddeallusrwydd artiffisial o'r data fod yn gwbl agored i'r clinigwyr, sy'n golygu nad oes angen iddynt ddargyfeirio o'u harferion presennol.

Yn yr astudiaeth, defnyddiodd y tîm raglennu genetig i asesu risgiau cardiofasgwlaidd yn y dyfodol, megis marwolaeth gardiofasgwlaidd, strôc nad yw'n angheuol, neu cnawdychiad myocardiaidd nad yw'n angheuol, mewn dros 3,800 o gleifion cardiofasgwlaidd, 19-83 oed, dros gyfnod o 10 mlynedd.

Defnyddiodd yr algorithmau dysgu peiriant gyfanswm o 25 o ragfynegwyr a gafwyd o ddata cleifion, gan gynnwys oedran, rhyw, BMI, alcohol, ysmygu a phwysedd gwaed.

Dangosodd y canlyniadau y gallai'r algorithmau dysgu peiriant fod cystal â dulliau traddodiadol wrth ragfynegi'r risg sy'n gysylltiedig â chleifion unigol.

Yn ôl cyd-awdur yr astudiaeth, yr Athro Irena Spasić o Ysgol Cyfrifiadureg a Gwybodeg Prifysgol Caerdydd: "Mae'r gallu i ddehongli atebion a gynigir gan ddysgu peiriant wedi dal technoleg yn ôl hyd yn hyn o ran ei integreiddio i ymarfer clinigol.

"Fodd bynnag, yn sgîl yr adfywiad diweddar o rwydweithiau niwral, mae'n bwysig peidio â rhoi dulliau dysgu peiriant i un ochr, yn enwedig y rheini sy'n cynnig tryloywder megis rhaglennu genetig neu goed penderfyniadau. Wedi'r cyfan, rydym yn awyddus i ddefnyddio deallusrwydd artiffisial i gynorthwyo arbenigwyr dynol ac i beidio â'u tynnu o’r sefyllfa’n gyfan gwbl. "