A Comparative Machine Learning Analysis of Neural Networks and XGBoost for Predicting Maternal Mortality in Maiduguri, Nigeria

In vielen Teilen der Welt ist die Reise der Schwangerschaft von Gefahren geprägt, bei denen eine einzige Komplikation einen Moment der Vorfreude in eine Tragödie verwandeln kann. In ressourcenarmen Gebieten, und insbesondere in Gebieten, die von Konflikten betroffen sind, ist die Fähigkeit, vorherzusagen, wer während der Entbindung gefährdet ist, oft durch einen Mangel an Daten und die schiere Komplexität der menschlichen Biologie begrenzt. Jahrzehntelang haben sich Ärzte auf Standard-Statistikmethoden verlassen, um Faktoren wie das Alter einer Mutter, ihre Vorgeschichte früherer Geburten und ihren Zugang zur Versorgung abzuwägen. Diese Methoden sind nützlich, aber sie haben oft Schwierigkeiten, die komplizierten, nicht-linearen Arten und Weise zu erkennen, wie diese Faktoren interagieren. In den letzten Jahren ist eine neue Generation von Werkzeugen aus dem Bereich der Informatik entstanden, die in der Lage ist, verborgene Muster in riesigen Mengen an Informationen zu finden. Zwei der leistungsfähigsten dieser Werkzeuge sind künstliche neuronale Netze, die die Art und Weise nachahmen, wie das menschliche Gehirn Ideen verknüpft, und Gradient Boosting Machines, die Vorhersagen aufbauen, indem sie aus einer Serie kleiner, sequenzieller Fehler lernen. Die Frage, vor der die Akteure des öffentlichen Gesundheitswesens stehen, ist, ob diese fortschrittlichen digitalen Werkzeuge tatsächlich Leben retten können, in den schwierigsten Umgebungen, oder ob sie einfach zu komplex für die verfügbaren Daten sind.

In der vom Konflikt betroffenen Stadt Maiduguri, Nigeria, wo Unsicherheit und ein fragiles Gesundheitssystem die mütterliche Versorgung zu einem täglichen Kampf machen, setzten sich zwei Forscher daran, diese digitalen Werkzeuge gegen die Realität lokaler medizinischer Aufzeichnungen zu testen. Sie sammelten Informationen von 158 Frauen, die in ausgewählten Krankenhäusern der Stadt versorgt worden waren. Das Ziel war einfach: zu sehen, ob ein Computer in der Gesundheitsgeschichte einer Frau korrekt vorhersagen kann, ob sie die Entbindung überleben wird oder nicht. Das Team verglich zwei verschiedene Ansätze. Ein Ansatz nutzte ein künstliches neuronales Netz, eine Art von Programm, das lernt, indem es Verbindungen zwischen digitalen Einheiten anpasst, ganz ähnlich wie ein Schüler, der sein Verständnis eines Themas durch ständiges Üben verfeinert. Der andere Ansatz nutzte eine Methode namens XGBoost, die dadurch arbeitet, dass sie einen Wald aus Entscheidungsbäumen aufbaut, wobei jeder neue Baum die Fehler der vorangegangenen korrigiert und so die genaueste Vorhersage schrittweise verfeinert.

Die Forscher begannen mit einem Datensatz, der Details wie das Alter der Mutter, Bildung, Einkommen, die Anzahl der bisherigen Schwangerschaften und die Frage enthielt, ob sie Komplikationen wie starke Blutungen oder Bluthochdruck erlebt hatte. Doch während sie die Daten für den Computer vorbereiteten, damit dieser daraus lernen konnte, entdeckten sie einen kritischen Fehler, der ihre Ergebnisse völlig in die Irre geführt hätte. Eine Variable in ihren Aufzeichnungen, bezeichnet als „Schwere Morbidität“, erwies sich als perfektes Spiegelbild des Ergebnisses selbst. In jedem einzelnen Fall, in dem eine Frau starb, war diese Variable als schwer markiert, und in jedem Fall, in dem sie überlebte, war sie als nicht schwer markiert. Wenn der Computer die Erlaubnis gehabt hätte, diese Information zu nutzen, hätte er nicht die Zukunft vorhergesagt; er hätte lediglich den Lösungsschlüssel gelesen. Die Forscher trafen die schwierige, aber notwendige Entscheidung, diese Variable vollständig zu entfernen. Sie entfernten auch ein weiteres Datenstück, das für jede einzelne Person in der Studie identisch war, da es keine nützlichen Informationen zur Unterscheidung zwischen Überlebenden und jenen, die nicht überlebten, bot.

Nachdem die Daten bereinigt und die irreführenden Informationen entfernt worden waren, ließ das Team ihre Modelle mit einer strengen Testmethode laufen. Anstatt die Daten nur einmal in einen Trainingsdatensatz und einen Testdatensatz aufzute Teilen, mischten sie die 158 Datensätze wiederholt in verschiedene Gruppen, trainierten die Modelle mit einigen und testeten sie mit anderen – ein Prozess, den sie hundertmal wiederholten, um sicherzustellen, dass die Ergebnisse stabil waren und nicht nur ein glücklicher Zufall. Die Ergebnisse waren beeindruckend. Sowohl das künstliche neuronale Netz als auch das XGBoost-Modell arbeiteten mit außergewöhnlicher Genauigkeit und klassifizierten die überwiegende Mehrheit der Fälle korrekt. Das neuronale Netz war insgesamt etwas genauer und traf in fast jedem Fall die richtige Antwort, während das XGBoost-Modell ebenfalls hocheffektiv war und nur wenige Fälle übersah. Beide fortgeschrittenen Werkzeuge übertrafen eine traditionelle statistische Methode deutlich, die zwar immer noch gut, aber weniger präzise war.

Noch wichtiger als die Rohwerte war jedoch, was die Computer den Forschern über die Todesursachen sagten. Als die irreführende Variable entfernt wurde, identifizierten die Modelle einen neuen Satz von Faktoren, die das Risiko der mütterlichen Sterblichkeit vorantrieben. Der stärkste Prädiktor war Eklampsie, ein gefährlicher Zustand, der mit Anfällen während der Schwangerschaft einhergeht. Darauf folgten die Methode der Entbindung, die Anzahl der vorangegangenen Geburten, die Gesamtzahl der Schwangerschaften und das Haushaltseinkommen der Mutter. Diese Erkenntnisse stimmten perfekt mit dem überein, was medizinische Experten bereits über die Gefahren der Schwangerschaft wussten, was den Forschern das Vertrauen gab, dass ihre Modelle reale medizinische Wahrheiten lernten, anstatt nur Datenbesonderheiten auswendig zu lernen. Die Modelle erfassten erfolgreich die komplexen Arten und Weise, wie diese Faktoren zusammenwirkten, und zeigten, dass das Risiko einer Frau nicht nur an einer Sache liegt, sondern eine Kombination aus ihrer medizinischen Vorgeschichte, ihren Geburtsumständen und ihren sozialen Umständen ist.

Trotz dieser beeindruckenden Ergebnisse waren die Forscher vorsichtig, das Problem als gelöst zu deklarieren. Sie merkten an, dass der Datensatz recht klein war und nur 158 Datensätze enthielt, und dass die hohe Genauigkeit teilweise darauf zurückzuführen sein könnte, dass der Computer die spezifischen Muster dieser kleinen Gruppe von Frauen zu gut gelernt hatte. Es ist möglich, dass die Leistung der Modelle sinken würde, wenn sie an einer völlig anderen Gruppe von Frauen aus einem anderen Krankenhaus oder einer anderen Stadt getestet würden. Die Studie dient als starker Beleg für die Machbarkeit (Proof of Concept) und zeigt, dass diese digitalen Werkzeuge in der Lage sind, aussagekräftige Muster in lokalen Daten zu finden, ist aber noch keine endgültige Lösung, die für den sofortigen Einsatz in jeder Klinik bereit ist. Die Forscher betonten, dass diese Werkzeuge, bevor man ihnen vertrauen kann, um lebenswichtige Entscheidungen in einem Krankenhaus zu leiten, an viel größeren Gruppen von Menschen getestet und in verschiedenen Settings validiert werden müssen.

Die Studie kommt zu dem Schluss, dass künstliche Intelligenz zwar großes Potenzial bietet, Ärzten in ressourcenarmen und von Konflikten betroffenen Gebieten dabei zu helfen, Hochrisikoschwangerschaften frühzeitig zu erkennen, sie jedoch mit Vorsicht und Demut eingesetzt werden muss. Die Technologie ist mächtig, aber sie ist nur so gut wie die Daten, mit denen sie gefüttert wird, und die Sorgfalt, die darauf angewendet wird, sicherzustellen, dass die Daten ehrlich und vollständig sind. Für die Frauen von Maiduguri besteht der Weg nach vorne nicht nur darin, neue Technologien zu übernehmen, sondern auch darin, die Art und Weise der medizinischen Dokumentation zu verbessern und sicherzustellen, dass die aufgezeichneten Informationen wirklich unabhängig vom Ergebnis sind. Mit besseren Daten und weiteren Tests könnten Werkzeuge wie neuronale Netze und Gradient Boosting zu lebenswichtigen Partnern für das Gesundheitspersonal werden, die ihnen helfen, knappe Ressourcen den Müttern zuzuweisen, die sie am dringendsten benötigen, und so potenziell Leben in einigen der anspruchsvollsten Umwelten der Welt retten.