Predicting Graduation in Undergraduate Medical Education: A Machine Learning Analysis Across Diverse High School Curricula

Eine Machine-Learning-Analyse an der Mohammed Bin Rashid University of Medicine and Health Sciences in den Vereinigten Arabischen Emiraten zeigt, dass der High-School-Lehrplan allein kein starker Prädiktor für den Studienabschluss ist, während die akademische Leistung während des Medizinstudiums und gezielte Unterstützungsmaßnahmen für Studierende aus unterschiedlichen Bildungshintergründen entscheidend sind.

Das Wesentliche

🎓 Der große medizinische Vorhersage-Test: Was bringt einen Studenten wirklich zum Abschluss?

Stellen Sie sich die medizinische Ausbildung wie eine sehr lange, steile Bergwanderung vor. Am Anfang des Weges stehen viele verschiedene Gruppen von Wanderern. Manche kommen aus dem flachen Land (eine bestimmte Schulart), andere aus den Bergen (eine andere Schulart). Die Forscher von der Mohammed Bin Rashid University (MBRU) in Dubai wollten herausfinden: Können wir am Start des Weges schon sagen, wer das Ziel (den Abschluss) erreichen wird, nur basierend darauf, woher die Wanderer kommen?

1. Das Experiment: Ein riesiges Daten-Archiv

Die Forscher haben sich die Akten von 661 Studenten angesehen, die zwischen 2016 und 2024 an der Universität waren. Das ist wie ein riesiger Schatztruhe voller Geschichten.

• Die Vielfalt: Die Studenten kamen aus 11 verschiedenen Schulsystemen. Es gab viele mit dem amerikanischen Abitur (fast die Hälfte), viele mit dem britischen System und einige mit dem Internationalen Baccalaureate (IB) oder anderen Systemen.
• Die Frage: Macht es einen Unterschied, ob jemand aus dem amerikanischen, britischen oder einem anderen Schulsystem kommt, wenn es darum geht, den medizinischen Abschluss zu schaffen?

2. Die Werkzeuge: Die "Glaskugel" aus Computern

Um diese Frage zu beantworten, haben die Forscher keine normalen Statistiken benutzt, sondern Künstliche Intelligenz (KI). Man kann sich das wie einen super-smarten Wettervorhersage-Computer vorstellen.

• Sie gaben dem Computer Daten über die Schüler (Geschlecht, Schulsystem, Interviewergebnisse, Noten) und sagten ihm: "Schau dir die alten Wanderer an, die es geschafft haben, und lerne daraus, wie du die neuen vorhersagen kannst."
• Der Computer probierte verschiedene "Glaskugeln" aus (mathematische Modelle wie Bayesian Networks oder Neural Networks), um zu sehen, welche am besten funktioniert.

3. Das überraschende Ergebnis: Die Schulart ist nicht der Schlüssel!

Das war das Wichtigste an der Studie: Das Schulsystem war fast egal.

• Die Analogie: Es ist so, als würden Sie beim Kauf eines Rennwagens nur auf die Farbe achten. Die Forscher haben festgestellt: Ob der Wagen rot (amerikanisches System), blau (britisches System) oder grün (IB) ist, sagt nichts darüber aus, ob er das Rennen gewinnt.
• Der wahre Sieger: Der einzige Faktor, der wirklich zählte, waren die Noten während des Studiums (der "kumulative GPA").
  • Stellen Sie sich vor, der Computer sagt: "Egal, woher du kommst – wenn du während der Wanderung (dem Studium) gut läuftst und nicht stolperst, wirst du das Ziel erreichen."
  • Die Noten während des Medizinstudiums waren der stärkste Vorhersage-Indikator, viel stärker als die Schulart davor.

4. Wie gut war die Vorhersage?

Die beste "Glaskugel" (ein Modell namens Bayesian Network) war extrem präzise.

• Sie konnte mit einer Genauigkeit von 94 % vorhersagen, wer das Studium erfolgreich abschließen würde.
• Das ist wie ein Wetterbericht, der fast immer recht hat: "Morgen wird es regnen" – und es regnet auch wirklich.

5. Was bedeutet das für die Zukunft?

Die Studie gibt uns zwei wichtige Ratschläge für medizinische Schulen:

1. Nicht nur auf den Start achten: Schulen sollten nicht zu sehr darauf fixiert sein, aus welchem Schulsystem ein Bewerber kommt. Ein Schüler aus einem weniger bekannten Schulsystem hat genauso gute Chancen wie einer aus einem "Elite"-System, solange er sich im Studium anstrengt.
2. Hilfe während der Reise: Da die Noten während des Studiums das Wichtigste sind, sollten Schulen ihre Aufmerksamkeit darauf richten, während des Studiums zu helfen.
   • Die Metapher: Wenn Sie sehen, dass ein Wanderer im Nebel (schlechte Noten) steckt, sollten Sie ihm eine Taschenlampe geben (Unterstützung), statt ihn am Start des Weges zurückzuweisen, nur weil er aus einem anderen Tal kommt.

Fazit in einem Satz

Es ist nicht der Startpunkt (die Schulart), der bestimmt, ob man den medizinischen Abschluss schafft, sondern wie gut man sich unterwegs (während des Studiums) schlägt. Die KI hat uns gezeigt, dass wir uns mehr auf die aktuelle Leistung als auf die Vergangenheit konzentrieren sollten, um Studenten zu unterstützen.

Technische Zusammenfassung

Technische Zusammenfassung: Vorhersage des Studienabschlusses in der medizinischen Grundausbildung mittels maschinellem Lernen

1. Problemstellung und Zielsetzung
Die medizinische Ausbildung in den Vereinigten Arabischen Emiraten (VAE) zeichnet sich durch eine hohe Diversität der Schulabschlüsse der Studierenden aus. Studierende kommen aus über 17 verschiedenen Schulcurricula (z. B. amerikanisches High-School-Diplom, britisches A-Level, IB, nationale Curricula).

• Das Problem: Es besteht eine Wissenslücke darüber, inwieweit der Typ des vorherigen Schulcurriculums als Prädiktor für den langfristigen Studienerfolg (Abschluss) in einem undergraduate-medizinischen Programm dient. Traditionelle Auswahlkriterien (wie Standardtests oder GPA vor dem Studium) könnten unzureichend sein, um Studierende aus so unterschiedlichen pädagogischen Hintergründen fair zu bewerten.
• Das Ziel: Die Studie untersucht, ob der Schulcurriculum-Typ sowie andere akademische Variablen den Abschluss eines medizinischen Studiengangs an der Mohammed Bin Rashid University of Medicine and Health Sciences (MBRU) in Dubai vorhersagen können.

2. Methodik
Die Studie ist ein retrospektives Kohorten-Design, das Daten von Studierenden der MBRU vom Gründungsjahr 2016 bis 2024 analysiert.

• Datengrundlage:
  • Gesamtstichprobe: 661 eingeschriebene Studierende (davon 76,7 % weiblich).
  • Datenquellen: admissions-Systeme (Bewerbungsdaten, Interviews, Schulcurricula) und Learning Management Systems (LMS) (Kursnoten, GPA, Einschreibstatus).
  • Aufteilung: Die Daten wurden chronologisch in zwei Sets geteilt:
    • Trainingsdaten (2016–2018): 167 Studierende, die bereits abgeschlossen hatten (zum Training der Modelle).
    • Vorhersagedaten (2019–2024): 494 Studierende, für die der Abschlussstatus prognostiziert wurde.
• Maschinelle Lern-Ansätze:
  • Es wurde die Software IBM SPSS Modeler verwendet, um 14 verschiedene Klassifikationsalgorithmen zu testen.
  • Ausgewählte Modelle: Bayesian Networks (BN), Neural Networks (NN), Chi-Square Automatic Interaction Detection (CHAID), Logistic Regression (LR) und Discriminant Analysis (D).
  • Prädiktoren (Unabhängige Variablen): Geschlecht, Schulcurriculum, Herkunftsland, Aufnahmejahr, MMI-Score (Multiple Mini Interviews), Semester-GPA, Jahres-GPA und kumulativer GPA.
  • Zielvariable: Binärer Status „Abgeschlossen" vs. „Nicht abgeschlossen".
• Validierung: Die Modelle wurden mittels Kreuzvalidierung und Holdout-Testsets bewertet. Die Ergebnisse wurden zusätzlich durch Python-Code zur Cross-Verifikation validiert.

3. Wichtige Ergebnisse

• Demografie: Die Stichprobe war stark von amerikanischen (48,1 %) und britischen (22,7 %) Curricula geprägt, gefolgt vom IB (11,5 %). Insgesamt repräsentierten die Studierenden 11 verschiedene Curricula.
• Modellleistung:
  • Das Bayesian Network (BN) zeigte die beste Vorhersageleistung mit einer AUC (Area Under the Curve) von 0,94.
  • Auch Logistic Regression und CHAID erzielten hohe Werte (AUC > 0,92).
  • Die Genauigkeit (Accuracy) des BN-Modells lag bei ca. 91 %.
• Feature Importance (Einflussfaktoren):
  • Der kumulative GPA (durchschnittliche Note während des Medizinstudiums) war mit Abstand der stärkste Prädiktor für den Abschluss.
  • Variablen wie Geschlecht, Schulcurriculum-Typ und MMI-Score hatten eine deutlich geringere Vorhersagekraft.
• Vorhersageergebnis: Das Modell identifizierte korrekt 269 von 494 Studierenden (54,5 %) als wahrscheinlich abschließend.
• Schlussfolgerung der Daten: Der Typ des Schulcurriculums allein ist kein starker Prädiktor für den Studienerfolg. Der akademische Verlauf während des Studiums (GPA) ist der entscheidende Faktor.

4. Hauptbeiträge und Signifikanz

• Verschiebung des Fokus: Die Studie liefert empirische Belege dafür, dass medizinische Fakultäten weniger auf den Schulhintergrund (Curriculum-Typ) als alleiniges Auswahlkriterium setzen sollten, sondern stattdessen den akademischen Verlauf während des Studiums stärker gewichten müssen.
• Anwendung von ML in der Bildung: Die Studie demonstriert erfolgreich den Einsatz fortschrittlicher ML-Modelle (insbesondere Bayesian Networks) zur Früherkennung von Studierenden mit Abschlussrisiko in einem hochdiversen Umfeld.
• Politische Implikationen: Die Ergebnisse unterstützen die Entwicklung datengestützter Zulassungspolitiken und gezielter Unterstützungsmaßnahmen (Academic Support), insbesondere für Studierende aus weniger verbreiteten Curricula, um Chancengleichheit zu gewährleisten.
• Skalierbarkeit: Obwohl die Studie an einer einzigen Institution durchgeführt wurde, bietet das Framework eine Blaupause für andere medizinische Fakultäten in internationalen Umgebungen, um ihre eigenen Vorhersagemodelle zu entwickeln.

5. Limitationen
Die Studie ist auf eine einzelne Institution beschränkt (MBRU), was die externe Validierbarkeit einschränkt. Zudem wurden nicht-akademische Faktoren wie Motivation, psychisches Wohlbefinden oder sozioökonomischer Status nicht einbezogen. Zukünftige Forschung sollte multizentrische Daten und diese weiteren Variablen integrieren.

Fazit:
Die Studie belegt, dass maschinelles Lernen effektiv eingesetzt werden kann, um den Studienerfolg vorherzusagen, wobei der kumulative GPA während des Studiums der entscheidende Indikator ist. Der Schulhintergrund spielt eine untergeordnete Rolle, was die Notwendigkeit unterstreicht, Studierende unabhängig von ihrem vorherigen Curriculum durch gezielte Unterstützung während des Studiums zum Erfolg zu führen.