Naukowcy stworzyli system łączący sztuczną inteligencję z logiką matematyczną, który sam potrafi odkrywać błędy w danych medycznych i je naprawiać. Innowacyjne podejście opiera się na koncepcji złożoności Kołmogorowa na grafach, pozwalając algorytmowi indukcyjnie nauczyć się reguł logicznych bezpośrednio z danych klinicznych bez wcześniejszego definiowania przez człowieka. To rozwiązanie neuro-symboliczne łączy siłę głębokich sieci neuronowych z precyzją logiki formalnej - dwóch podejść, które tradycyjnie funkcjonowały oddzielnie. Wynik to system zdolny do samodzielnego zidentyfikowania niespójności, zaokrągleń, braku danych czy wyraźnych błędów w dokumentacji medycznej.
Znaczenie tego przełomu trudno przeceń dla sektora opieki zdrowotnej. Błędy w danych klinicznych stanowią poważne zagrożenie - mogą prowadzić do nieodpowiednich decyzji diagnostycznych, niepoprawnych rozpoznań czy błędnych schematów leczenia. W czasach, gdy szpitale operują milionami rekordów pacjentów rozsianych po różnych systemach IT, manualnie sprawdzanie każdego wpisu jest praktycznie niemożliwe. Opracowana metoda pracuje autonomicznie, wykrywając wzorce anomalii i automatycznie je korygując, co zmniejsza ryzyko człowieka w procesie walidacji i pozwala personelowi medycznemu skupić się na bardziej zaawansowanej analizie.
Taka technologia przyspiesza również przygotowanie danych do badań naukowych i analiz epidemiologicznych, gdzie jakość informacji wejściowych bezpośrednio wpływa na wiarygodność wyników. System nie zastępuje ekspertów medycznych, ale działa jako inteligentny asystent, który na bieżąco monitoruje integralność baz danych i sugeruje poprawki. To rozwiązanie może stać się kluczowe szczególnie w kontekście rosnącego zainteresowania sztuczną inteligencją w medycynie i wdrażania systemów diagnostyki wspomaganej komputerowo.