Article
Machine Learning verbessert die Aussagekraft einer Studie zum Identifizieren einer willkürlich submaximalen Handkraftmessung
Search Medline for
Authors
Published: | September 20, 2016 |
---|
Outline
Text
Fragestellung: Kann man mit Machine Learning die Aussagekraft klinischer Studiendaten im Vergleich zu herkömmlichen statistischen Tests verbessern?
Methodik: In mehreren Studien mit 206 gesunden Probanden (2016 Messungen) wurde die Druckverteilung mittels Manugraphie ermittelt. 324 dieser Messungen erfolgten mit einem willkürlich vorgetäuschten Kraftverlust. Trotz statistisch signifikanter Unterschiede zwischen 7 anatomischen Arealen der Hand (Daumen, vier Finger, Thenar, Hypothenar) im Vergleich von ehrlicher und submaximaler Kraftanstrengung, konnte im Rückschluss eine submaximale Kraftanstrengung einzelner Individuen mit nur unbefriedigender Sensitivität von ca. 70-80% und einer Spezifität von ca. 50% identifiziert werden. Mit Hilfe von "Machine Learning" wurde mit den vorhandenen Daten ein Algorithmus errechnet, der anhand des Druckverteilungsmusters der Hand mit einer deutlich höheren Aussagekraft Messungen mit submaximaler Kraftanstrengung erkennen soll. Zur Validierung des Algorithmus wurde eine verblindete Datenbank mit 39 Datensätzen erstellt, welche die Messungen von 24 Patienten mit "ehrlichem" Kraftverlust nach Handgelenksversteifung und von 15 Probanden mit vorgetäuschtem Kraftverlust enthielt.
Ergebnisse: Mit Hilfe des Algorithmus, der durch Machine Learning entwickelt wurde, konnte eine Sensitivität von 100% und eine Spezifität von 88% erzielt werden um die Messungen mit submaximaler Kraftanstrengung zu identifizieren. Unter der Annahme, dass ca. 20% der Untersuchten einen Kraftverlust vortäuschen, errechnet sich daraus ein positiver Vorhersagewert von 67% und eine negativer Vorhersagewert von 100% (Bayes Theorem).
Schlussfolgerung: Mittels Machine learning können große Datensätze wesentlich effektiver und genauer ausgewertet werden als mit herkömmlichen statistischen Methoden. Im vorliegenden Fall wurde es überhaupt erst möglich, den statistisch nachgewiesenen Unterschied zwischen ehrlicher und submaximaler Anstrengung bei der Handkraftmessung aussagekräftig auf Einzelmessungen zu übertragen. Nachteil dieses Verfahrens ist, dass der angewandte Algorithmus, der eine Messung in eine maximale oder submaximale Kraftanstrengung einstuft, für den Untersucher nicht mehr erkennbar ist bzw. die Einzelschritte nicht nachvollziehbar sind.