Explorative Datenanalyse für die prädiktive Modellierung im Gesundheitswesen

Challenge

Eine Organisation aus dem Healthcare-Bereich musste vorhersagen, welche Patienten einen definierten Zielwert im Blutserum erreichen würden – doch die Datengrundlage war das eigentliche Problem. Der Datensatz stammte aus mehreren Einrichtungen mit unterschiedlichen klinischen Praktiken und war entsprechend heterogen. Das Modellierungsziel war klar definiert; die Zuverlässigkeit der zugrunde liegenden Daten war es nicht. Es war unklar, ob die Muster in den Daten wesentliche klinische Unterschiede widerspiegelten oder ob es sich lediglich um Artefakte handelte, die auf unterschiedliche Datenerfassungsprozesse zurückzuführen waren. Der Auftraggeber wusste: Ein direkter Einstieg in die überwachte Modellierung hätte diese Probleme verschleiert – mit Ergebnissen, die schwer zu interpretieren, kaum vertrauenswürdig und nicht handlungsfähig gewesen wären.

Approach 

Noch bevor ein Vorhersagemodell erstellt wurde, setzte STAT-UP Self-Organizing Maps (SOMs) ein, um verborgene Strukturen in den Daten aufzudecken. Hochdimensionale Patientendaten wurden auf SOMs projiziert, um einen stabilen Überblick über Ähnlichkeiten und Unterschiede zwischen und innerhalb der Einrichtungen zu erstellen. Eine Vielzahl von Karten wurden anhand derselben zugrunde liegenden Struktur erstellt und entlang klinischer Messgrößen, Behandlungsvariablen und einrichtungsbezogener Attribute farblich gekennzeichnet. So konnten die STAT-UP-Experten visuell nachvollziehen, wie sich Muster über die Variablen hinweg veränderten – und ihre Erkenntnisse kommunizieren, ohne dass Stakeholder komplexe Modellergebnisse interpretieren mussten. Die SOMs zeigten systematische Unterschiede bei Dosierungsstrategien, einrichtungsspezifische Profile und nicht offensichtliche Zusammenhänge zwischen klinischen Merkmalen auf.

Impact 

Erstmals konnten Entscheidungsträger klar und intuitiv nachvollziehen, was ihre Daten tatsächlich enthielten und wo sie an ihre Grenzen stießen. Anstatt auf isolierte Statistiken oder Modelldiagnosen zu reagieren, konnten die Beteiligten direkt beurteilen, wo Daten ausreichend vergleichbar waren und wo strukturelle Unterschiede eine aussagekräftige Analyse beeinträchtigen würden. Diese Transparenz stärkte das Vertrauen in die Festlegung des Modellierungsumfangs und untermauerte kritische Entscheidungen – etwa welche Einrichtungsdaten zuverlässig einbezogen und welche ausgeschlossen werden mussten. Das zentrale Ergebnis: Die Organisation konnte die Datengrundlage ihrer Vorhersagemodelle verstehen, begründen und ihr vollständig vertrauen. Was als Unsicherheit begann, wurde zu fundiertem Vertrauen, und technische Analyse ergänzte die klinische Intuition.