Stroke Prediction using Clinical and Social Features in Machine Learning

Stellen Sie sich eine riesige Bibliothek vor, in der jedes Buch ein Menschenleben repräsentiert. Das Ziel dieses Papers ist es, einen Weg zu finden, um schnell diejenigen wenigen Bücher zu entdecken, die kurz davor stehen, „auseinanderzufallen“ (was einen Schlaganfall darstellt), bevor sie tatsächlich zerbrechen, damit wir sie rechtzeitig reparieren können.

Hier ist die Geschichte, wie der Autor versucht hat, ein System zu bauen, das genau das tut, indem er drei verschiedene Arten von „Bibliothekaren“ (Maschinelle Lernmodelle) einsetzt.

Das Problem: Ein seltenes Ereignis

Jedes Jahr erleiden in den USA 800.000 Menschen einen Schlaganfall. Das entspricht einer Person alle 40 Sekunden. Der Autor stellt fest, dass Schlaganfälle weltweit die zweithäufigste Ursache für Tod und Behinderung sind.

Die Herausforderung besteht darin, dass Schlaganfälle im Vergleich zu Menschen, die keinen haben, selten sind. In dem verwendeten Datensatz (über 5.000 Personen) hatten nur etwa 5 oder 6 von jeweils 100 Personen tatsächlich einen Schlaganfall erlitten. Es ist, als versuche man, eine einzelne rote Murmel in einem Eimer mit 20 weißen Murmeln zu finden.

Der Autor wollte ein Computerprogramm erstellen, das sich die „Statistiken“ eines Menschen ansieht – Dinge wie Alter, Blutdruck, BMI (Körpergewicht), Berufstyp und ob sie verheiratet sind –, um vorherzusagen, ob sie einem Risiko ausgesetzt sind.

Die Goldene Regel: In diesem speziellen Projekt war das wichtigste Ziel, Falsch-Negative zu vermeiden.

• Falsch-Negativ: Der Computer sagt: „Sie sind sicher“, aber die Person ist tatsächlich gefährdet. Dies ist gefährlich, da die Person einen ungesunden Lebensstil beibehalten könnte, anstatt ihr Verhalten zu ändern.
• Falsch-Positiv: Der Computer sagt: „Sie sind gefährdet“, aber die Person ist eigentlich sicher. Das ist nervig und verschwenderisch, aber der Autor entschied, dass es besser ist, auf Nummer sicher zu gehen, als zu spät zu kommen.

Die drei „Bibliothekare“ (Die Modelle)

Der Autor testete drei verschiedene Wege, wie der Computer diese Vorhersagen treffen kann:

1. Der einfache Taschenrechner (Logistische Regression)

Stellen Sie sich dieses Modell wie einen sehr geradlinigen Taschenrechner vor. Er nimmt alle Zahlen (Alter, Gewicht usw.), weist jeder Zahl ein spezifisches „Gewicht“ oder eine Bedeutung zu, addiert sie auf und spuckt eine prozentuale Wahrscheinlichkeit für einen Schlaganfall aus.

• Wie es funktionierte: Es war gut darin, die Menschen zu erfassen, die tatsächlich einen Schlaganfall hatten (hoher „Recall“). Es erfasste etwa 76 % der realen Fälle.
• Der Haken: Es war etwas zu paranoid. Es schrie zu oft „Wolf!“. Von jeweils 100 Personen, die es als „gefährdet“ markierte, waren nur etwa 16 tatsächlich gefährdet. Die anderen 84 waren nur Fehlalarme.
• Was es lernte: Es bestätigte, dass das Alter der wichtigste Prädiktor für einen Schlaganfall ist. Interessanterweise spielte es das BMI (Körpergewicht) überraschenderweise eine untergeordnete Rolle zu, was den Aussagen von Ärzten widerspricht.

2. Der tiefe Denker (Dichtes Neuronales Netz)

Dieses Modell ist wie ein Schüler, der viele fortgeschrittene Mathematikklassen besucht hat. Es besitzt Schichten von „Neuronen“, die Informationen tief verarbeiten und nach komplexen Mustern suchen, die der einfache Taschenrechner vielleicht übersehen würde.

• Wie es funktionierte: Dies war das insgesamt genaueste Modell. Es lieferte etwa 86,5 % der Zeit die richtige Antwort. Es war auch besser darin, nicht ständig „Wolf!“ zu rufen (höhere Präzision) als der einfache Taschenrechner.
• Der Haken: Es übersah mehr tatsächliche Schlaganfallfälle als der einfache Taschenrechner. Es versäumte es, etwa die Hälfte der Menschen zu erfassen, die tatsächlich Hilfe benötigten.
• Geschwindigkeit: Es war auch am schnellsten zu trainieren (zu lernen aus den Daten).

3. Der Mustererkennner (Convolutional Neural Network)

Dieses Modell wird normalerweise verwendet, um Bilder zu betrachten (wie das Erkennen einer Katze auf einem Foto), aber der Autor versuchte, es hier einzusetzen, um Muster in den Daten zu finden.

• Wie es funktionierte: Es performte irgendwo in der Mitte. Es war nicht so genau wie der „tiefe Denker“, aber es war besser darin, tatsächliche Schlaganfallfälle zu erfassen als der „tiefe Denker“.
• Der Haken: Es dauerte länger beim Training und schnitt insgesamt nicht so gut ab wie die anderen beiden.

Die große Enthüllung: Der Kompromiss

Das Paper hebt einen klassischen Konflikt in der Medizin hervor: Genauigkeit vs. Sicherheit.

• Der einfache Taschenrechner war großartig in Sachen Sicherheit (er erfasste fast jeden, der krank war), aber schlecht in Sachen Genauigkeit (er markierte zu viele gesunde Menschen).
• Der tiefe Denker war großartig in Sachen Genauigkeit (er markierte selten gesunde Menschen), aber schlecht in Sachen Sicherheit (er übersah einige Kranke).

Der Autor fand heraus, dass der „tiefe Denker“ zwar die insgesamt höchste Punktzahl erreichte, aber zu viele echte Schlaganfallfälle übersah, um das einzige Werkzeug zu sein, das eingesetzt werden sollte, wenn das Ziel darin besteht, Leben zu retten.

Die vorgeschlagene Lösung: Eine Teamleistung

Da kein einzelnes Modell perfekt war, schlägt der Autor einen „Staffellauf“-Ansatz für das Gesundheitswesen vor:

1. Erster Teil: Verwenden Sie zuerst den **einfachen Taschenrechner. Da er fast jeden erfasst, der gefährdet ist (selbst wenn er einige Fehler macht), fungiert er als weitmaschiges Netz, um alle zu screenen.
2. Zweiter Teil: Wenn der einfache Taschenrechner sagt, dass jemand gefährdet ist, übergeben Sie diese Person an den **tiefen Denker. Dieses Modell kann dann eine detailliertere, präzisere Prüfung durchführen, um zu sehen, ob sie wirklich gefährdet ist, und so die Fehlalarme herauszufiltern.
3. Das Sicherheitsnetz: Der Mustererkennner (CNN) könnte als dritte Meinung genutzt werden, um die Ergebnisse zu überprüfen.

Das Fazit

Das Paper kommt zu dem Schluss, dass wir mehr Daten benötigen, um diese Modelle in Zukunft noch besser zu machen. Speziell benötigen wir mehr Informationen über die Menschen, die tatsächlich einen Schlaganfall hatten, denn im Moment sind die Daten zu unausgewogen (zu viele gesunde Menschen, zu wenige Kranke).

Bis dahin ist die beste Strategie nicht, nur einen einzigen „Gewinner“ zu wählen, sondern ein Team aus verschiedenen Modellen einzusetzen, die zusammenarbeiten, um sicherzustellen, dass niemand, der gefährdet ist, durch das Raster fällt.