Machine-Learning in der Praxis: Früherkennung von Herzkrankheiten und Diabetes

04.07.2017 Studien
2 Minuten Lesezeit
(c) sfam_photo / Shutterstock.com

Teure Erkrankungen sollen mit Hilfe von Machine-Learning besser und vor allem früher erkannt werden. Bostoner Kliniken und Wissenschaftler der Universität Boston versprechen sich davon Kostenersparnisse und natürlich eine bessere Behandlung für die Patienten.

Machine-Learning ist in aller Munde. Wir haben bereits häufiger von Algorithmen und Neuerungen berichtet. Dabei haben wir nicht unerwähnt gelassen, dass nicht jedes Projekt, das Machine-Learning, AI oder Deep-Learning einsetzt, wirklich eine Verbesserung bringt. Ähnlich werden neue Projekte jetzt auch von Medizinern genauer unter die Lupe genommen.

Machine-Learning zur Erkennung von Diabetes und Herzkrankheiten

Mithilfe der Algorithmen, die an der Boston University entwickelt wurden, können Herzkrankheiten und Diabetes besser erkannt werden. Insbesondere können die Algorithmen mit 82 Prozent Genauigkeit Krankenhausaufenthalte von Patienten vorhersagen. Mediziner liegen bei ihren Vorhersagen nur zu 56 Prozent richtig. Dagegen steht eine Quote von 30 Prozent „Falschen Alarmen“.

Das bedeutet, dass bisher Ärzte fast die Hälfte der Patienten, die ins Krankenhaus zurückkamen, nicht erwartet haben. Andersherum erkennen auch die neuen Methoden nur 4 von 5 Patienten – sie sind also alles andere als „sicher“. Und der Algorithmus sagt für 30 Prozent derer, die eigentlich gesund bleiben, einen Krankenhausaufenthalt vorher.

Tabelle

Insgesamt ergibt sich also eine Zuverlässigkeit von etwa 76 Prozent für Aussagen des Algorithmus (der in 70+82 von 200 Fällen das richtige Ergebnis ausgibt).
Das ist eine hervorragende Quote verglichen mit der angegebenen Zahl von 56 Prozent Genauigkeit bisheriger Methoden – aber immer noch keine sichere Prognose.

Zusammenarbeit zwischen Informatikern und Medizinern

Informatiker und Mediziner müssen an Projekten wie diesem zusammenarbeiten, um zuverlässige Ergebnisse zu erzeugen. Dazu werden Patientendaten in anonymisierter Form von Krankenhäusern den Wissenschaftlern an der Uni zur Verfügung gestellt. Diese verarbeiten Sie dann mithilfe von Machine-Learning und unterschiedlichen Algorithmen.

Typischerweise teilt man im nächsten Schritt die Gesamtmenge an Informationen in zwei Gruppen. Von 1000 Datensätzen werden beispielsweise 100 zurückgehalten zum Testen. Der Algorithmus „lernt“ jetzt anhand der übrigen 900 Eingabedaten. Getestet wird er anhand der verbleibenden 100 Datensätze.

Wichtig für die Genauigkeit ist dabei unter anderem, wie die Testdaten verteilt sind. Wenn der Algorithmus „lernt“ dass ein Krankenhausaufenthalt insgesamt wahrscheinlicher ist, als kein Krankenhausaufenthalt, kann er schon „gewinnen“ indem er immer einen Krankenhausaufenthalt vorhersagt. Er wird mit der gleichen Quote Recht haben, wie Patienten ins Krankenhaus kommen.

Mehr Möglichkeiten?

Die Wissenschaftler der Bostoner Universität versprechen sich vom Machine-Learning noch bessere Ergebnisse. Denn sie möchten im nächsten Schritt gerne noch mehr persönliche Daten der Patienten aufnehmen – eine Informationsflut, die menschliche Ärzte kaum verarbeiten könnten. Algorithmen werden dagegen meist besser, wenn man ihnen mehr Informationen füttert. So erkennen Computer Zusammenhänge, nach denen Menschen vielleicht nicht gefragt hätten.

Andererseits werden solche Zusammenhänge oft auch zunächst von Menschen erkannt. Der Computer erhält die Informationen nur, wenn ein Mensch zuvor auf die Idee gekommen ist, dass sie relevant sein könnten.

Und, dass es vertretbar ist, sie einzufordern. Beispielsweise könnte der Zugang zu Facebook-Accounts oder privaten SMS eine enorme Informationsquelle darstellen. Dabei muss sich die Gesellschaft allerdings entscheiden: Entweder, sie verlässt sich auf das Ergebnis der Berechnungen. Oder ein Algorithmus unterlegt seine Vorschläge mit Daten und präsentiert diese persönlichen Informationen auch Ärzten.

Bostoner Mediziner und Wissenschaftler arbeiten zunächst unter der politisch relevanter denn je gewordenen Frage, wie sie die Kosten der Behandlungen reduzieren können. Daneben gehen andere Überlegungen eventuell verloren.

Print Friendly, PDF & Email