Spatial Transferability of Explainable Machine Learning for Predicting Pre-Treatment Tuberculosis Loss to Follow-up Across West Java Districts

Jedes Jahr werden weltweit Millionen von Menschen mit Tuberkulose diagnostiziert, einer schweren bakteriellen Infektion, die die Lunge angreift. Das medizinische System hat einen klaren Weg nach vorn: Sobald eine Person diagnostiziert wurde, muss sie sofort mit der Medikamenteneinnahme beginnen. Es existiert jedoch eine gefährliche Lücke in diesem Prozess. Viele Patienten verlassen nach ihrer Diagnose einfach die Klinik, verlieren den Kontakt zu den Mitarbeitern des Gesundheitswesens oder entscheiden sich gegen den Beginn der Behandlung. Dies ist als „Loss to Follow-up“ (Verlust der Nachverfolgung) bekannt. Diese Personen bleiben ansteckend und verbreiten die Krankheit auf ihre Familien und Gemeinschaften, während ihr eigener Gesundheitszustand rapide sich verschlechtert. Gesundheitsprogramme kämpfen oft damit, das Geld und das Personal zu finden, um jeden einzelnen Patienten zu unterstützen, daher benötigen sie eine Möglichkeit, zu identifizieren, wer am wahrscheinlichsten abbrechen wird, noch bevor die Person die Tür hinter sich zuzieht. Wenn Ärzte diese Hochrisikopatienten frühzeitig erkennen könnten, könnten sie ihre begrenzten Ressourcen auf die Menschen konzentrieren, die sie am dringendsten benötigen, anstatt zu versuchen, allen gleichermaßen zu helfen.

In der indonesischen Provinz Westjava setzten sich Forscher mit dem Ziel, dieses Problem unter Nutzung der riesigen Datenmengen zu lösen, die bereits vom nationalen Gesundheitssystem erfasst werden. Sie stellten eine einfache, aber schwierige Frage: Kann ein Computerprogramm, das mit den Patientendaten aus der gesamten Provinz trainiert wurde, genau vorhersagen, welche spezifischen Individuen in einer bestimmten Stadt die Behandlung nicht beginnen werden? Sie wollten wissen, ob ein einzelnes, groß angelegtes Modell überall funktionieren kann oder ob die einzigartigen Umstände eines jeden Distrikts die Vorhersage zum Scheitern bringen würden. Um dies zu beantworten, wandten sie sich einem Bereich der Informatik zu, der als maschinelles Lernen bezeichnet wird, welches es Computern ermöglicht, Muster in Daten zu finden, ohne explizit mit Regeln programmiert zu werden. Sie konzentrierten sich auf „erklärbare“ Modelle, die wie transparente Boxen sind, in denen man genau sehen kann, warum der Computer eine Entscheidung getroffen hat, im Gegensatz zu „Black Boxes“, die eine Antwort liefern, ohne ihren Rechenweg aufzuzeigen. Diese Transparenz ist entscheidend für Ärzte, die die Begründung hinter einer Risikovorhersage verstehen müssen, bevor sie handeln.

Das Team sammelte Informationen über mehr als 174.000 Menschen, die in 27 verschiedenen Distrikten und Städten in Westjava im Jahr 2024 mit Tuberkulose diagnostiziert wurden. Sie betrachteten Details, die zum Zeitpunkt der Diagnose verfügbar waren, wie etwa das Alter des Patienten, ob er an Diabetes litt, wo er lebte und welche Art von Klinik er besuchte. Am wichtigsten war, dass sie notierten, ob der HIV-Status des Patienten im System erfasst war. Etwa neun Prozent dieser Patienten waren bereits verloren gegangen, bevor sie mit der Behandlung begannen. Die Forscher entwickelten fünf verschiedene Computermodelle, um zu sehen, welches davon am besten zwischen den Patienten unterscheiden konnte, die eine Behandlung beginnen würden und jenen, die es nicht tun würden. Sie testeten alles, von einfachen statistischen Methoden bis hin zu komplexeren baumbasierten Systemen, die Entscheidungen durch das Stellen einer Serie von Ja-oder-Nein-Fragen treffen.

Die Ergebnisse zeigten, dass die Computermodelle überraschend gut bei der Arbeit waren. Das beste Modell konnte zwischen Patienten, die bleiben würden, und jenen, die gehen würden, mit einem hohen Grad an Genauigkeit unterscheiden. Was vielleicht noch überraschender war, war, dass alle fünf verschiedenen Arten von Modellen fast gleich gut abschnitten. Das komplexeste Modell übertraf die einfacheren Modelle nicht bei Weitem. Dies deutete darauf hin, dass die Qualität der Daten selbst, und nicht die Cleverness des Computer-Algorithmus, der Hauptfaktor war, der die Leistungsfähigkeit der Vorhersagen einschränkte. Die Daten enthielten starke Signale, insbesondere bezüglich der Frage, ob der HIV-Status des Patienten erfasst worden war. Patienten, deren HIV-Status in ihrer Akte fehlte, waren weitaus wahrscheinlicher „lost to follow-up“ als jene, deren Status klar als negativ oder positiv erfasst war. Dies deutete auf ein tiefer liegendes Problem hin: Die Erfassung des HIV-Tests war nicht nur eine Dateneingabeaufgabe, sondern ein Zeichen dafür, wie vollständig und sorgfältig der gesamte medizinische Prozess für diesen Patienten ablief.

Als die Forscher jedoch testeten, ob dieses einzelne, provinzweite Modell in jedem Ort gleichermaßen gut funktionierte, änderte sich das Bild. Ein Modell, das im Durchschnitt über die gesamte Region gut funktionierte, war in spezifischen Distrikten nicht zuverlässig. In einigen Gebieten unterschätzte das Modell konsequent das Risiko und sagte voraus, dass Patienten die Behandlung beginnen würden, obwohl sie es tatsächlich nicht taten. In anderen Gebieten überschätzte es das Risiko. Die Forscher entdeckten zwei Hauptgründe für diese Fehler. Erstens wurde in einigen Distrikten die Art und Weise der Datenerfassung anders gehandhabt als im Rest der Provinz. In einem Distrikt beispielsweise war der Prozentsatz der Patienten mit fehlenden HIV-Aufzeichnungen deutlich höher als im Provinzdurchschnitt. Da das Modell stark auf diese Information angewiesen war, hatte es Schwierigkeiten, in Gebieten mit unvollständigen Daten genaue Vorhersagen zu treffen.

Der zweite Grund war mysteriöser. In bestimmten Distrikten, selbst wenn die Daten normal aussah, sagte das Modell voraus, dass Patienten die Behandlung beginnen würden, nur um dann festzustellen, dass viele es nicht taten. Dies deutete darauf hin, dass lokale Faktoren die Entscheidungen der Patienten beeinflussten, die der Computer nicht sehen konnte. Dies könnten die Qualität der lokalen Gesundheitsdienste, die Entfernung zur Klinik oder kulturspezifische Barrieren in dieser Stadt sein. Die Forscher fanden heraus, dass diese lokalen Fehlprognosen nicht in einem vorhersagbaren Muster zu benachbarten Städten übergingen; eine Stadt mit einer schlechten Vorhersage lag nicht zwangsläufig neben einer anderen Stadt mit einer schlechten Vorhersage. Dies bedeutete, dass ein einzelnes, universelles „One-Size-Fits-All“-Modell nicht ohne Anpassungen überall vertrauenswürdig eingesetzt werden konnte.

Die Studie kam zu dem Schluss, dass maschinelles Lernen zwar ein mächtiges Werkzeug zur Identifizierung von Risikopatienten ist, es aber nicht einfach blind über verschiedene Regionen hinweg angewendet werden kann. Die Forscher fanden heraus, dass die Anzahl der Patienten in einem Distrikt nicht bestimmte, wie gut das Modell funktionierte; selbst Gebiete mit sehr wenigen Patienten konnten gut vorhergesagt werden, wenn die lokalen Daten konsistent waren, während große Gebiete scheitern konnten, wenn die lokalen Bedingungen einzigartig waren. Sie fanden auch heraus, dass der Versuch, die Liste der Faktoren, die der Computer betrachtete, zu vereinfachen, die Ergebnisse nicht verbesserte. Die wichtigste Lehre war, dass das Modell für jeden spezifischen Standort neu kalibriert werden musste. Durch die Anpassung der Vorhersagen des Modells an die lokale Realität könnten Gesundheitshelfer die Erkenntnisse des Computers nutzen, um eine gezielte Liste von Patienten zu erstellen, die zusätzliche Unterstützung benötigen.

Um dies für geschäftige Kliniken praktikabel zu machen, übersetzten die Forscher ihr komplexes Computermodell in ein einfaches Bewertungssystem. Ärzte können einen Risikoscore für einen Patienten in Sekundenschnelle berechnen, indem sie nur wenige Fakten verwenden: ob der HIV-Status erfasst wurde, wie die Diagnose gestellt wurde, das Alter und die Behandlungsgeschichte. Ein Patient mit einem fehlenden HIV-Datensatz würde beispielsweise sofort einen hohen Risikoscore erhalten, was signalisiert, dass er sofortige Aufmerksamkeit benötigt. Dieser Ansatz ermöglicht es Gesundheitsprogrammen, sich von der Methode der Gleichbehandlung aller Patienten zu entfernen und stattdessen ihre begrenzten Ressourcen auf die Individuen zu konzentrieren, die am wahrscheinlichsten durch das Raster fallen könnten. Die Studie bewies, dass mit den richtigen Daten und sorgfältigen lokalen Anpassungen Technologie helfen kann, die Lücke zwischen Diagnose und Behandlung zu schließen und so in den kritischen ersten Tagen nach einer Tuberkulose-Diagnose Leben zu retten.