Data Science

Die Verheißungen von Data Science sind groß, insbesondere im Gesundheitswesen und für die Gesundheitsbranche: Entdeckung neuer therapeutischer Möglichkeiten, Beschleunigung und größere Fairness klinischer Studien, personalisierte Medizin und optimierte Patientenbetreuung usw.

Um diese ehrgeizigen Ziele zu erreichen, muss die Data Science auf qualitativ hochwertige Daten zugreifen können und vor allem eine Schnittstelle zu den Eigentümern der Daten und zu den Nutzern der daraus gezogenen Schlüsse bilden. Die Aufwertung von Daten für Unternehmen erfordert daher eine Umstellung auf ein stärker datengesteuertes Modell, um die Arbeit von Data Scientists optimal zu nutzen.

Welche Chancen bieten Data-Science-Services für mein Unternehmen? Sind wir heute so ausgestattet und aufgestellt, dass wir diesen Nutzen schaffen können?

Dieser entscheidende Schritt in jedem datenwissenschaftlichen Prozess entscheidet über den Erfolg der Analyse auf technischer Ebene, aber auch über ihren Wert auf interpretativer Ebene. Es kann erforderlich sein, Entscheidungen zu treffen, um das Signal-Rausch-Verhältnis zu erhöhen. Insbesondere der Bereich der Datenwissenschaft, der sich auf die Analyse von Textdaten konzentriert, Natural Language Processing (NLP), kann je nach verwendeter Quelle eine besonders umfangreiche Datenbereinigung erfordern (Beispiel: Sammeln von Informationen in sozialen Netzwerken, um falsch geschriebene Wörter oder Abkürzungen zu erkennen und zu interpretieren).

Welche Daten sind so reichhaltig, dass ihre Analyse einen Mehrwert bringt? Wie kann man aus den internen oder externen Datenbanken, die wir haben, einen Mehrwert ziehen?

Die Qualität und Repräsentativität der Eingabedaten ist entscheidend, um relevante Schlussfolgerungen ziehen zu können. Insbesondere schlecht ausgewogene oder „unausgewogene“ Daten können das Lernen beeinträchtigen. Wenn wir versuchen, einen Algorithmus zur Klassifizierung von Katzen- und Hundebildern auf der Grundlage von 1000 Katzen- und 100 Hundebildern zu trainieren, wird sich die Tatsache, dass Katzen häufiger vorkommen, auf die Klassifizierung der neuen Bilder auswirken. Dieses Ungleichgewicht ist leicht zu erkennen, wenn es sich um das Hauptziel der Erkennung handelt, aber viel weniger, wenn es ein Element unter anderen ist, z. B. eine Überrepräsentation von Kätzchen unter den Bildern. Historische Datenbanken können verzerrt sein, z. B. Datenbanken für klinische Studien, in denen kaukasische Männer im Vergleich zur allgemeinen Bevölkerung überrepräsentiert sind. Ziel ist es, diese Verzerrungen zu ermitteln und sie zu korrigieren, indem die Größe der überrepräsentierten Stichprobe (Unterstichprobe) verringert oder die der unterrepräsentierten Stichprobe (Überstichprobe) künstlich erhöht wird.

Wie können beispielsweise die klinischen Zentren besser ausgewählt werden, um eine gute Repräsentativität der einbezogenen Population zu erreichen?

Bei der Implementierung von Modellen des maschinellen Lernens besteht ein weiteres technisches Problem darin, das Modell nicht zu sehr an den vorhandenen Datensatz anzupassen, was als Phänomen des „Overfitting“ bezeichnet wird. Die Qualität des Modells wird anhand verschiedener Indikatoren für die Zuverlässigkeit der Vorhersage geprüft, wie z. B. Genauigkeit (korrekte Erkennungsraten), Sensitivität (Fähigkeit, die „wahren“ Fälle zu erkennen) und Spezifität (Fähigkeit, die „falschen“ Fälle zu erkennen).

Der Versuch, diese Indikatoren zu maximieren, kann dazu führen, dass viele Variablen in die Analyse einbezogen oder immer komplexere Modelle verwendet werden. Es ist wichtig, eine Stichprobe Ihres Datensatzes nicht zum Trainieren, sondern zum Testen des Modells zu verwenden. Da die Trainingsdaten oft homogener sind als die realen Daten, ist es auch wichtig, die Komplexität des gewählten Modells für Machine Learning auf das erforderliche Minimum zu beschränken. Die Zusammenstellung der Ergebnisse mehrerer Modelle ist ebenfalls eine Technik zur Begrenzung der in den einzelnen Modellen enthaltenen Verzerrungen.

Wie lässt sich ein Prognosemodell anpassen, um Szenarien mit Ereignissen zu antizipieren, die in der Vergangenheit nie eingetreten sind?

Schließlich ist die Interpretierbarkeit der Modellergebnisse ein entscheidender Punkt. Einige der leistungsfähigsten Modelle des maschinellen Lernens, die Deep-Learning-Modelle, ermöglichen es nicht, auf die Parameter zurückzugreifen, die es der Maschine ermöglicht haben, beispielsweise eine bestimmte Klassifizierung vorzuschlagen. Manchmal kann es besser sein, eine geringere Genauigkeit des Modells zu haben, aber in der Lage zu sein, sie zu erklären. Wenn man zum Beispiel eine Kundensegmentierung erstellen möchte, ist es interessant zu wissen, welche Parameter die Segmente definieren, um dann entsprechende Interaktionen und Inhalte erstellen zu können.

Schließlich muss bei der Interpretation der Datenmengen Strenge walten und sie muss den Empfängern der Ergebnisse vermittelt werden. Insbesondere ist es oft verlockend, die Korrelation zwischen zwei Variablen als kausale Verbindung von einer zur anderen zu interpretieren. Diese Schlussfolgerung sollte in den meisten Fällen durch betriebswirtschaftliche Kenntnissen oder spezifische Studien zusätzlich zu den bereits durchgeführten Analysen bestätigt werden.

Wie kann man die Ergebnisse von Data-Science-Analysen für die interne Verteilung nutzbar und verständlich machen?