Generell existieren zwei weitverbreitete medizinische Methoden, um den aktuellen Status der Krankheit zu bestimmen:<\/p>\n\n\n\n
- \n
- Zum einen kann der Status anhand des numerischen Krankheitsaktivit\u00e4tsrating von den \u00c4rzt*innen bestimmt werden. Dieser Score erfordert Dom\u00e4nenexpertise und ist zudem sehr subjektiv, da keine strengen diagnostischen Kriterien festgelegt sind.<\/li>\n\n\n\n
- Zum anderen kann der Krankheitsstatus anhand von bestehenden Symptomen berechnet werden. Diese Methode ist objektiver, erfordert jedoch ebenfalls Dom\u00e4nenwissen, um die einzelnen Attribute korrekt zu gewichten.<\/li>\n<\/ol>\n\n\n\n
In einer Studie des Fraunhofer IAIS<\/a> und ITMP wurde die Methode Ranking SVM weiterentwickelt, um aus den vorhandenen medizinischen Bewertungen der Krankheit eine robustere und stabilere Einsch\u00e4tzung der Aktivit\u00e4t von PsA vorherzusagen. Die Vorhersage besteht aus einer Kombination der zwei vorhandenen Einsch\u00e4tzungen. Im Folgenden wird die Methodik zur L\u00f6sung der Aktivit\u00e4tsbestimmung beschrieben.<\/p>\n\n\n\n
Wie ordnet eine Ranking SVM die Krankheitsaktivit\u00e4ten?<\/span><\/h2>\n\n\n\n
Die beschriebene Herausforderung bei der Einsch\u00e4tzung von Krankheitsaktivit\u00e4ten kann auf das Problem von ordinalen Regressionen zur\u00fcckgef\u00fchrt werden. Eine ordinale Regression ist eine Kombination aus einer reinen Klassifikation und einer Regression: Die Datenpunkte sind unterschiedlichen Klassen zugeordnet und es existiert eine lineare Ordnung zwischen den Klassen. Eine Ordnung zwischen Datenpunkten kann nicht nur zur Einordung von Aktivit\u00e4ten von Krankheiten verwendet werden, sondern wird unter anderem auch in der Informationsgewinnung und in der \u00d6konometrie genutzt. Hierbei stellt die Ordnung meist eine Pr\u00e4ferenz dar: Objekt A wird Objekt B vorgezogen (AB). Im Folgenden soll die Methode anhand des Beispiels von PsA-Patient*innen beschrieben werden.<\/p>\n\n\n\n
![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/neu_ord-1-1024x615.png\" "\\"\\"")
\u00a9 ML2R
Beispiel einer ordinalen Regression. Klassen 1-3 werden durch parallele Hyperebenen getrennt.<\/figcaption><\/figure>\n\n\n\nEine M\u00f6glichkeit ordinale Regressionen zu l\u00f6sen bietet die Ranking Support Vector Machine (Ranking SVM). Die Ranking SVM lernt eine Ordnung zwischen den Krankheitsaktivit\u00e4ten der Patient*innen. Das bedeutet, dass Patient*innen anhand der St\u00e4rke der Aktivit\u00e4t von PsA geordert werden. Das Label, nachdem sortiert werden soll, stellt die Einsch\u00e4tzung der \u00c4rzte dar. Die Symptome sowie deren Gewichtung werden als Feature Vektor benutzt. Um den Einfluss der starken subjektiven Schwankungen der Aktivit\u00e4tseinsch\u00e4tzungen zu verringern, werden nur Patient*innen-Paare f\u00fcr das Trainieren verwendet, die messbar unterschiedliche Symptome und Aktivit\u00e4tsstatus haben.<\/p>\n\n\n\n
![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Rank_SVM-1-1-1024x430.jpg\" "\\"\\"")
\u00a9 ML2R <\/figcaption><\/figure>\n\n\n\n Anhand des gelernten Gewichtsvektors kann ein neuer Aktivit\u00e4tswert je Patient*in berechnet werden und die Aktivit\u00e4t der Krankheit gegen\u00fcber anderen Patienten eingeordnet werden. Die Umwandlung des ordinal skalierten Datensatzes in bin\u00e4ren Klassifizierungsdatensatz erm\u00f6glicht eine ordinale Regression anhand einer Klassifizierungs-SVM.<\/p>\n\n\n\n
![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/datensatz-1-1024x1020.jpg\" "\\"\\"")
\u00a9 ML2R
Ordinal skalierte Ordnung von Patient*innen (links h\u00f6chste Krankheitsaktivit\u00e4t, recht geringste Krankheitsaktivit\u00e4t) und die Differenz zwischen den Patient*innenpaaren (blau- positiver Wert, orange- negativer Wert).<\/figcaption><\/figure>\n\n\n\nW\u00e4hrend der Anpassung des Datensatzes werden die Datenpunkte (Patient*innen) paarweise betrachtet und die Differenz der Punkte berechnet. Durch die Differenz k\u00f6nnen zwei Punkte in eine Ordnung zueinander gebracht werden. Im Fall der PsA Patient*innen zeigt die Differenz an, ob bestimmte Symptome beim Minuenden st\u00e4rker oder schw\u00e4cher vertreten sind als beim Subtrahenden. Positive Werte bedeuten demnach, dass die Krankheit bei dem\/ der ersten Patient*innen st\u00e4rker vertreten ist; bei negativen Werten ist die Krankheit schw\u00e4cher vertreten. Falls die Symptome bei Patient*innen gleich stark vertreten sind, heben diese sich w\u00e4hrend der Differenzbildung auf. Ist der Minuend in der Ordnung h\u00f6her, so wird das Label der Differenz auf 1 gesetzt, ansonsten auf 0 (siehe obenstehende Grafik). Nun haben wir einen Datensatz, der f\u00fcr das Trainieren von bin\u00e4ren Klassifizierungsmodellen, wie der SVM, verwendet werden kann.<\/p>\n\n\n\n
Training der Klassifizierungs-SVM<\/h2>\n\n\n\n
Dieser modifizierte Datensatz kann nun verwendet werden, um eine SVM f\u00fcr bin\u00e4re Klassifikationsprobleme zu trainieren. Hierbei wird die Ordnung von Objektpaaren anstatt von Klassen gelernt. Von der trainierten SVM kann eine Gewichtsvektor als auch eine Entscheidungsfunktion ermittelt werden. Durch Multiplikation der Datenpunkte mit dem gelernten Gewichtsvektor wird eine Approximation des Rangs der Krankheitsaktivit\u00e4t des Patienten berechnet. Neue Datenpunkte k\u00f6nnen so in die bestehende Ordnung einsortiert werden. Die detaillierte Methodik kann in dem Paper von Herbich<\/a> et al. nachgelesen werden.<\/p>\n\n\n\n
Am Ende liegt ein Modell vor, dass die Krankheitsaktivit\u00e4ten von Patient*innen anhand von den Symptomen vorhersagen kann. \u00dcber diese Absch\u00e4tzung der Krankheitsaktivit\u00e4ten kann der Status eines Patienten \u00fcber einen l\u00e4ngeren Zeitraum verfolgt werden oder es k\u00f6nnen Patienten nach dem Schweregrad der Aktivit\u00e4t geordnet werden.<\/p>\n\n\n\n
Um den Erfolg einer Therapie w\u00e4hrend einer klinischen Studie bewerten zu k\u00f6nnen, ist es wichtig, ein Aktivit\u00e4tslevel der Krankheit zu bestimmen. Klinische Studien enthalten neben objektiv gemessenen Indikatoren der Patient*innen, wie Laborwerte, oftmals subjektive Experteneinsch\u00e4tzungen, wie die Krankheitsaktivit\u00e4t von Arthritis der Teilnehmer*innen. Diese Einsch\u00e4tzungen enthalten starke Schwankungen durch unterschiedliches Expertenwissen und Intuition der \u00c4rzt*innen. Wir haben gezeigt, dass dies \u00fcber die Ranking SVM bestimmt werden kann. Durch das Modell werden die subjektiven Einfl\u00fcsse der Mediziner verringert und genauere Absch\u00e4tzungen des Zustandes der Patient*innen k\u00f6nnen vorgenommen werden. Dabei schneidet die Ranking SVM in unserer Studie mit einer Genauigkeit von 80% am besten ab.<\/p>\n\n\n\n
Mehr Informationen in der zugeh\u00f6rigen Publikation:<\/p>\n\n\n\n