Maschinelles Lernen verbessert Datenqualität im Gesundheitswesen: Neue Strategien für Genauigkeit und Wiederverwendbarkeit
Maschinelles Lernen (ML) könnte die Qualität von Gesundheitsdaten erheblich steigern und damit zu präziseren Diagnosen und effizienteren Behandlungen beitragen. Eine neue Studie der Technischen Universität Riga entwickelt und bewertet ML-basierte Strategien, die sich auf die Kerndimensionen Genauigkeit, Vollständigkeit und Wiederverwendbarkeit konzentrieren. Die Ergebnisse, veröffentlicht in der Fachzeitschrift „Frontiers in Artificial Intelligence“, zeigen signifikante Verbesserungen anhand eines Diabetes-Datensatzes und unterstreichen das Potenzial für reproduzierbare Frameworks in der klinischen Praxis. Die Qualität von Gesundheitsdaten ist entscheidend für klinische Entscheidungen und Patientenergebnisse, doch Probleme wie fehlende Werte und Anomalien führen oft zu Fehldiagnosen oder ineffizienter Ressourcennutzung. Laut der ISO-9000-Richtlinien muss Datenqualität den Bedürfnissen der Nutzer entsprechen, sei es für klinische Analysen oder ML-Modelle. Die Studie von Agate Jarmakovica adressiert diese Herausforderungen durch einen umfassenden Ansatz, der technische Methoden mit organisatorischen Strategien kombiniert. Für die Untersuchung wurde ein öffentlich zugänglicher Diabetes-Datensatz von GitHub genutzt,…

