Az orvosi adat és a címkék problémája

Az adatfajták tájképe

A klinikai gépi tanulás négy nagy adatvilágból dolgozik. Az elektronikus egészségügyi rekord a diagnózisok, laborok, gyógyszerek és szöveges leírások idősora, a legszélesebb és legzajosabb forrás. A képalkotás, a röntgentől a szövettanig, a mély tanulás legérettebb terepe. A folyamatos jelek, EKG, monitorok, viselhető eszközök, az időbeli mintázatok világa. És egyre inkább a genomika. Mindegyiknek saját buktatói vannak, de a közös pont az, hogy egyik sem kutatási célra született, és a modellezés első munkája mindig az adat természetének megértése.

A fenotipizálás, a láthatatlan alapmunka

A felügyelt tanuláshoz címke kell, és az egészségügyben már a címke előállítása is tudomány. Ki számít cukorbetegnek az adatban. Akinél szerepel a diagnóziskód. Akinek a laborértéke átlépi a küszöböt. Aki gyógyszert kap rá. A három halmaz meglepően különbözik, és a választás, amelyet fenotipizálásnak hívnak, eldönti, mit tanul a modell valójában. A kódokra épített címke az adminisztrációt tanulja, a laborra épített a biológiát, a gyógyszerre épített a kezelési gyakorlatot. A jó fenotípus definíció orvos és adatszakértő közös munkája, és minden későbbi eredmény ezen az alapon áll.

A hiányzó adat is üzen

Az orvosi adatban a hiány ritkán véletlen. Akinek nincs laboreredménye, arról az orvos úgy döntött, nem kell vizsgálni, tehát valószínűleg egészségesebb. A hiányzás mintázata így maga is információ, és a kezelése, egyszerű kitöltés vagy a hiány tényének külön változóként kezelése, érdemi modellezési döntés. A tanulság általánosabb is, az egészségügyi adat minden rovata mögött emberi döntések állnak, és a jó modellező ezeket a döntéseket is modellezi, nem csak a számokat.

Források és további olvasnivaló

Stanford, Fundamentals of Machine Learning for Healthcare, az adatforrásokról és a fenotipizálásról szóló modulok alapján. Az adatminőség általános kérdéseiről az Adatközpontú AI kurzusban írtam.