Verständliche Modelle für das Gesundheitswesen

Im maschinellen Lernen muss oft ein Kompromiss zwischen Genauigkeit und Verständlichkeit eingegangen werden. Genauere Modelle wie verstärkte Bäume, Zufallswälder und neuronale Netze sind in der Regel nicht verständlich, während verständlichere Modelle wie logistische Regression, naive Bayes und einzelne Entscheidungsbäume oft erheblich schlechtere Genauigkeit aufweisen. Dieser Kompromiss schränkt manchmal die Genauigkeit von Modellen ein, die in kritischen Anwendungen wie dem Gesundheitswesen eingesetzt werden können, wo es wichtig ist, ein erlerntes Modell zu verstehen, zu validieren, zu bearbeiten und ihm zu vertrauen. Wir präsentieren zwei Fallstudien, in denen hochleistungsfähige verallgemeinerte additive Modelle mit paarweisen Interaktionen (GA2Ms) auf reale Gesundheitsprobleme angewendet werden, die verständliche Modelle mit modernster Genauigkeit liefern. Im Fallstudien zur Vorhersage des Pneumonierisikos deckt das verständliche Modell überraschende Muster in den Daten auf, die zuvor verhindert hatten, dass komplexe erlernte Modelle in diesem Bereich eingesetzt wurden. Da es jedoch verständlich und modular ist, ermöglicht es, diese Muster zu erkennen und zu entfernen. In der Fallstudie zur 30-tägigen Krankenhauswiedereinweisung zeigen wir, dass dieselben Methoden auf große Datensätze mit Hunderttausenden von Patienten und Tausenden von Attributen skalieren, während sie verständlich bleiben und eine Genauigkeit bieten, die mit den besten (unverständlichen) Methoden des maschinellen Lernens vergleichbar ist.