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 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.