Maschinelles Lernen
„Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating“ ist ein Fachbuch von Ewout W. Steyerberg. Die zweite Auflage erschien 2019 im Verlag Springer. Es behandelt die Entwicklung, Validierung und Aktualisierung klinischer Vorhersagemodelle für diagnostische und prognostische Fragestellungen in der Medizin. Das Werk erläutert moderne statistische Methoden wie Regressionsverfahren, den Umgang mit fehlenden Werten, Shrinkage-Techniken und Big-Data-Aspekte. Es enthält eine praktische Checkliste für die Modellentwicklung, Fallstudien, R-Code-Beispiele sowie Diskussionen zu Überanpassung, Generalisierbarkeit und maschinellem Lernen. Das Buch richtet sich vor allem an klinische Epidemiologen, Biostatistiker und Studierende im Bereich prädiktiver Modellierung.
„Variable selection strategies and its importance in clinical prediction modelling“ ist ein wissenschaftlicher Übersichtsartikel von Mohammad Ziaul Islam Chowdhury und Tanvir C. Turin, veröffentlicht 2020 in der Zeitschrift Family Medicine and Community Health. Der Beitrag erläutert die Bedeutung einer geeigneten Variablenauswahl bei der Entwicklung klinischer Vorhersagemodelle, die Patienten mit erhöhtem Risiko für ungünstige Verläufe identifizieren sollen. Er beschreibt gängige Methoden wie Backward Elimination, Forward Selection, Stepwise Selection und All Possible Subset Selection sowie Kriterien zur Beendigung des Auswahlprozesses (p-Werte, AIC, BIC, Mallows’ Cp). Betont wird, dass eine sorgfältige, klinisch und statistisch begründete Variablenreduktion Overfitting vermeidet, Modellgenauigkeit und Interpretierbarkeit verbessert und unnötige Komplexität reduziert, während wichtige Prädiktoren erhalten bleiben.
“APLUS: A Python library for usefulness simulations of machine learning models in healthcare” ist ein 2023 veröffentlichtes Open-Source-Framework, das die Bewertung der tatsächlichen Nützlichkeit von Machine-Learning-Modellen im klinischen Kontext ermöglicht. Es simuliert mittels diskreter Ereignissimulation, wie ein Modell in reale Behandlungsabläufe integriert wird, und berücksichtigt dabei Ressourcenbeschränkungen, Kosten von Fehlentscheidungen, Alert-Fatigue, Kapazitätsgrenzen und heterogene Behandlungseffekte. Im Gegensatz zu klassischen Metriken wie AUROC oder F1-Score quantifiziert APLUS die erreichbare (achievable) statt nur die theoretische Utility eines Modells innerhalb eines spezifischen Workflows. Das Werkzeug wurde exemplarisch eingesetzt, um verschiedene ML-Modelle zur Früherkennung von peripherer arterieller Verschlusskrankheit (PAD) in nurse-driven und doctor-driven Screening-Pfaden an der Stanford Health Care zu vergleichen und optimale Cutoff-Schwellen sowie Integrationsstrategien zu identifizieren. APLUS ist als Python-Bibliothek auf GitHub frei verfügbar und soll die Lücke zwischen Modellentwicklung und praktischer klinischer Implementierung verringern.
Der Artikel „From Knowledge Graphs to Digital Twins: Perspectives on Modeling Patient Outcomes for Health Care Quality Assessment“ von Anna-Katharina Nitschke, Juan G. Diaz Ochoa, Simone Neumaier und Markus Knott wurde am 31. März 2026 in der Journal of Medical Internet Research (JMIR) veröffentlicht. Die Autoren erörtern in dieser Expertensicht, wie mathematische Modelle – insbesondere Wissensgraphen und Health Digital Twins – zur Vorhersage von Patientenoutcomes und zur Verbesserung des Qualitätsmanagements im Gesundheitswesen beitragen können. Dabei werden Definitionen von medizinischen Prozessen, Patientenoutcomes und Qualitätsmetriken mit quantitativem Fokus vorgestellt. Der Schwerpunkt liegt auf drei Kategorien der patientenzentrierten Versorgungsqualität (patient-centered quality of care): Patientensicherheit, Verfahrensgenauigkeit und Verfahrenseffektivität. Für diese Bereiche werden konzeptionelle und mathematische Beschreibungen geliefert, relevante Publikationen zugeordnet sowie die Anwendbarkeit graphenbasierter Methoden diskutiert. Die Arbeit beleuchtet zudem methodische Limitationen, zukünftige Forschungsrichtungen und praktische Implikationen.
Der Artikel „The Enemies of Reliable and Useful Clinical Prediction Models: A Review of Statistical and Scientific Challenges“ von Ben Van Calster et al., erschienen 2026 in der Annual Review of Statistics and Its Application, analysiert zwölf zentrale Herausforderungen („Enemies“) bei der Entwicklung klinischer Prädiktionsmodelle in der Medizin. Diese umfassen Kontextfaktoren wie niedrige Signal-Rausch-Verhältnisse und Heterogenität über Zeit und Ort, Datenprobleme wie Messfehler und fehlende Goldstandards, methodische Schwächen in Design und Analyse sowie kulturelle Aspekte der Wissenschaft wie Priorisierung von Entdeckung über Validierung. Die Autoren betonen, dass viele Modelle suboptimal entwickelt werden, selten extern validiert oder klinisch implementiert sind und daher wenig Nutzen für Patientenversorgung stiften; sie fordern mehr Ressourcen für Validierung, Impact-Studien und transparente Berichterstattung sowie weniger, aber bessere Modelle.
„SocialStep: Fast Prediction of Social Determinants of Health“ beschreibt ein hybrides KI-Verfahren zur automatisierten Erkennung sozialer Gesundheitsfaktoren (SDoH) in medizinischen Texten. Das zweistufige System kombiniert einen kompakten Klassifikator zur Vorauswahl relevanter Sätze mit einem Large Language Model für die mehrdimensionale Klassifikation. Auf dem MIMIC-III-Datensatz erreicht SocialStep eine um 5 Punkte höhere Macro-F1 gegenüber bisherigen Ansätzen und arbeitet dabei 12,2-mal schneller. Die Studie zeigt, dass hybride Architekturen eine skalierbare und ressourceneffiziente Alternative zu rein monolithischen LLM-Systemen für klinische NLP-Anwendungen darstellen.
„Why almost all ML models for medicine are wrong-and what we need for evidence-based medical AI“ stellt heraus, dass viele medizinische ML-Modelle auf methodisch fragilen Grundlagen beruhen. Kritisiert werden u. a. unsichere Ground Truths, ungeeignete Metriken, fehlende Kalibrierung sowie mangelnde externe und zeitliche Validierung. Der Beitrag fordert eine evidenzbasierte Medical-AI-Praxis mit stärkerer methodischer Strenge, Unsicherheitsmodellierung und kontinuierlichem Post-Deployment-Monitoring.
“Fast unsupervised ground metric learning with tree-Wasserstein distance” beschreibt einen neuen Ansatz für das unüberwachte Lernen von Distanzmetriken mittels Tree-Wasserstein-Distanzen. Die Arbeit zeigt, dass die Methode eine effiziente Approximation von Wasserstein-Singularvektoren ermöglicht, die Rechenkomplexität reduziert und skalierbare Anwendungen für die Zelltyp-Klassifikation in Einzelzell-RNA-Sequenzierungsdaten unterstützt.
Evaluating Postpartum Hemorrhage Transfusion Risk With a Machine Learning Model for Informed Consent: Retrospective Cohort Study untersucht den Einsatz eines XGBoost-Modells zur Vorhersage des Transfusionsrisikos nach postpartalen Blutungen auf Basis klinisch relevanter, vor der Geburt bekannter Faktoren. Die Studie zeigt, dass ärztlich überprüfte und korrekt gelabelte Datensätze entscheidend für klinisch nachvollziehbare Vorhersagen sind und als Grundlage für Entscheidungsunterstützung sowie informierte Einwilligung dienen können. Vor einem klinischen Einsatz sind jedoch weitere externe Validierungen erforderlich.
„FedCoRe: Target-Adaptive Completion for Missing Modalities in Healthcare Federated Learning“ untersucht die Ergänzung fehlender Modalitäten in föderiertem multimodalem Lernen im Gesundheitswesen. Für fehlendes ECG werden durch Paired-example FedAvg 49,0 % des verlorenen AUROC wiederhergestellt; validierungsgesteuerte Korrekturen erreichen 171,8 % der Referenzlücke. Für CXR werden in kontrollierten Tests 52,8 % des Leistungsabstands zurückgewonnen. Die Ergebnisse zeigen zugleich, dass FedCoRe als aufgabenspezifische Korrektur und nicht als tatsächliche Rekonstruktion fehlender Daten interpretiert werden sollte.
Der Text erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit und stellt keine Rechtsberatung dar. Anmerkungen können in der rechten Seitenleiste mit Hypothes.is sozialem Annotierungswerkzeug oder am unteren Ende einer Seite mit GitHub Giscus Diskussionen hinterlassen werden.