Missing Data Governance in Real-World Cardiovascular Risk Prediction: Effects on Machine Learning Performance and Interpretability
Diese Studie zeigt, dass bei der kardiovaskulären Risikovorhersage unter Realbedingungen ein angemessener Umgang mit fehlenden Daten durch Imputation oder Hybridstrategien entscheidend ist, um die Zuverlässigkeit und Interpretierbarkeit des Modells aufrechtzuerhalten, während das unkritische Löschen unvollständiger Datensätze die Leistung signifikant verschlechtert und den informativen Wert des Fehlens selbst außer Acht lässt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Herzkrankheiten bleiben weltweit die führende Todesursache, und Ärzte verlassen sich auf die Früherkennung, um Leben zu retten. Um dies zu erreichen, sammeln sie eine enorme Menge an Informationen über jeden Patienten: das Alter, den Blutdruck, den Cholesterinspiegel und ob sie eine Vorgeschichte mit Rauchen oder Diabetes haben. In den letzten Jahren wurden Computerprogramme, bekannt als maschinelles Lernen, darauf trainiert, diese Informationen zu analysieren und vorherzusagen, wer gefährdet ist. Diese Programme sind exzellent darin, Muster in sauberen, perfekten Daten zu finden. Die reale Welt ist jedoch selten perfekt. In tatsächlichen Krankenhäusern sind die Aufzeichnungen oft unordentlich. Ein Arzt könnte vergessen haben, einen Blutdruckwert aufzuschreiben, ein Laborergebnis könnte fehlen, oder ein Patient könnte eine Untersuchung in einer anderen Klinik gehabt haben, die nie in der Akte eingegangen ist. Lange Zeit haben Wissenschaftler, die diese Computerprogramme testen, hauptsächlich alte, bereinigte Datensätze verwendet, die diese Realität nicht widerspiegeln. Sie haben sich darauf konzentriert, welcher Computer-Algorithmus der klügste ist, und dabei oft ignoriert, dass die Daten selbst unvollständig sind. Dies wirft eine entscheidende Frage auf: Wenn ein Computerprogramm mit perfekten Daten trainiert wird, kann es dann noch funktionieren, wenn es mit den unordentlichen, unvollständigen Aufzeichnungen konfrontiert wird, die man in einem echten Krankenhaus vorfindet?
Ein Forscherteam in Denizli, Türkei, beschloss, dies zu beantworten, indem sie eine Studie auf Basis der Daten selbst statt auf Basis des Computerprogramms aufbauten. Sie gingen direkt in die kardiologische Abteilung eines Privatkrankenhauses und zogen alle Aufzeichnungen von Patienten, die zwischen 2019 und 2024 behandelt wurden. Sie bereinigten die Daten nicht vorab. Sie warfen die Datensätze mit fehlenden Zahlen nicht weg. Stattdessen nahmen sie die rohen, ungefilterten Informationen genau so, wie sie in der Datenbank des Krankenhauses standen – mit all ihren Lücken und Inkonsistenzen. Aus diesen Aufzeichnungen wählten sie neunzehn zentrale Gesundheitsparameter aus, wie etwa Alter, Geschlecht, Cholesterin und verschiedene Herzmesswerte, um zu sehen, wie gut verschiedene Computerprogramme die Herzkrankheit vorhersagen können, wenn sie mit fehlenden Informationen konfrontiert werden. Sie testeten elf verschiedene Arten von Lernalgorithmen, die von einfachen statistischen Methoden bis hin zu komplexen, modernen Systemen reichten, die viele kleine Modelle zusammenführen, um gemeinsam zu arbeiten. Entscheidend war, dass sie sich nicht nur für einen Weg entschieden, die fehlenden Zahlen zu korrigieren. Sie testeten vier völlig unterschiedliche Strategien. Eine Strategie füllte die Lücken mit geschätzten Zahlen auf. Eine andere ließ die Lücken leer, um zu sehen, ob der Computer mit ihnen allein umgehen kann. Eine dritte Strategie behandelte die fehlenden Werte als eine eigene, spezifische Kategorie, was dem Computer im Grunde sagte: „Wir wissen das nicht, aber die Tatsache, dass wir es nicht wissen, könnte wichtig sein.“ Die vierte Strategie, die in vielen Studien üblich ist, löschte einfach jeden einzelnen Datensatz, der auch nur einen einzigen fehlenden Wert aufwies.
Die Ergebnisse zeigten, dass die Art und Weise, wie die Forscher mit den fehlenden Daten umgingen, weit wichtiger war als die Wahl des Computerprogramms selbst. Wenn sie die Strategie anwandten, unvollständige Datensätze zu löschen, sank die Leistung jedes einzelnen Computermodells signifikant. Die genauesten Modelle fielen von einer korrekten Identifizierung von etwa 77 Prozent der Fälle auf nur noch 69 Prozent ab. Dieser Verlust entstand, weil das Löschen von Datensätzen so viele wertvolle Informationen entfernte und den Computer mit zu wenigen Beispielen zurückließ, aus denen er lernen konnte. Im Gegensatz dazu bewahrten die Strategien, welche die unvollständigen Datensätze beibehielten – entweder durch das Auffüllen der Lücken oder durch die Behandlung des Fehlens als eine bekannte Tatsache –, die Fähigkeit der Modelle, Herzkrankheiten präzise vorherzusagen. Die Computerprogramme, die am besten abschnitten, waren jene, die mit den unordentlichen Daten umgehen konnten, ohne sie wegzuwerfen. Unter den verschiedenen Arten von getesteten Algorithmen erwies sich eine Familie von Systemen, bekannt als Boosting-Ensembles, als am widerstandsfähigsten. Diese Systeme, die viele einfache Entscheidungsträger kombinieren, um eine starke Vorhersage zu treffen, behielten selbst bei unvollständigen Daten eine hohe Genauigkeit bei. Einfachere Methoden, wie jene, die auf dem Finden der nächsten Nachbarn in einem Datensatz basieren, hatten mit fehlenden Werten am schwersten zu kämpfen.
Vielleicht kam die überraschendste Entdeckung, als die Forscher genau untersuchten, wie die Computerprogramme ihre Entscheidungen trafen. Sie verwendeten ein spezielles Analysewerkzeug, um zu sehen, welche Merkmale der Computer als am wichtigsten erachtet. Sie fanden heraus, dass der Computer sehr genau auf die Tatsache achtete, dass bestimmte Messwerte fehlten. Speziell der Indikator, dass ein Blutdruckwert fehlte, rangierte als einer der einflussreichsten Faktoren bei der Vorhersage von Herzkrankheiten. Dies bedeutet nicht, dass das Fehlen eines Blutdruckwerts die Herzkrankheit verursacht. Vielmehr deutet es darauf hin, dass das Muster des Fehlens eine eigene Information trägt. In diesem Krankenhaus könnte die Tatsache, dass ein Blutdruckwert nicht aufgezeichnet wurde, etwas über die Situation des Patienten aussagen, wie etwa eine spezifische Art des Besuchs oder einen sozioökonomischen Faktor, der beeinflusste, welche Tests angeordnet wurden. Der Computer lernte, dass dieses Fehlen ein Signal war, so real wie ein hoher Cholesterinwert. Dieser Befund stellt die Vorstellung infrage, dass fehlende Daten lediglich ein Defekt sind, der behoben oder ignoriert werden muss. Er zeigt, dass in realen klinischen Umgebungen die Art und Weise, wie Informationen aufgezeichnet werden – oder eben nicht –, Teil der Geschichte ist, die die Daten erzählen.
Die Studie kommt zu dem Schluss, dass Wissenschaftler, damit Computerprogramme in echten Krankenhäusern vertrauenswürdig sind, aufhören müssen, die Datenqualität als ein nebensächliches Detail zu behandeln, das vor der eigentlichen Arbeit bereinigt werden muss. Die Art und Weise, wie mit fehlenden Informationen umgegangen wird, ist ein fundamentaler Bestandteil der Wissenschaft. Wenn Forscher einfach unvollständige Datensätze löschen, riskieren sie den Bau von Modellen, die auf dem Papier gut funktionieren, aber in der Praxis scheitern. Der zuverlässigste Ansatz besteht darin, Methoden zu verwenden, die die Unvollständigkeit der Daten respektieren, sei es durch eine sorgfältige Auffüllung der Lücken oder durch die Anerkennung, dass das Fehlen einer Messung selbst ein Stück Information ist. Durch die Verwendung eines lokal bezogenen Datensatzes aus der Türkei demonstrierten die Forscher, dass Modelle, die auf echten, unordentlichen Daten basieren, die tatsächlichen Bedingungen, denen Ärzte gegenüberstehen, besser entsprechen. Sie fanden heraus, dass die Modelle zwar nicht perfekt, aber ehrlich und robust waren. Die Studie argumentiert, dass die Zukunft der medizinischen Vorhersage nicht darin liegt, einen etwas besseren Algorithmus für perfekte Daten zu finden, sondern in der Entwicklung von Systemen, die in der Lage sind, die unvollkommene Realität menschlicher Gesundheitsakten zu verstehen und daraus zu lernen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.