Dette dreier seg kun om velkjente matematiske metoder som vi har benyttet lenge før begrepet kunstig intelligens kom på banen. Å finne mønstre i mangfoldige data, enten at data hoper seg opp gruppevis, eller at data følger hverandre kvantitativt, eller å finne forskjeller mellom forutbestemte grupper, er velkjent i medisinsk forskning. Maskinlæring gir ikke noe nytt.

Et problem er nå, som før, å påvise kausalitet. For oss leger er kausalitet helt avgjørende for rasjonelt å kunne forebygge og behandle sykdommer. Et «underliggende mønster» kan ikke uten nærmere vurdering fortolkes som å vise kausalitet.

Dessuten, om kausalitet er verifisert eller ikke, hvis det bygges modeller for å predikere et utfall må effekten kvantifiseres med lokalisasjon og spredningsparametere eller som sensitivitet og spesifisitet. Dette for å vurdere om modellen viser en mulig effekt som bør vektlegges, eller om en effekt er så svak at den uansett kan og bør ignoreres.

For å vurdere kausalitet må en sannsynligvis ty til sann intelligens, og ikke minst til medisinsk og biologisk innsikt. Om man som datakyndig øyner en god idé, er det en god regel å ta med en kyndig lege som kan si noe om det medisinskfaglige behovet.