Im Zuge der Digitalisierung entstehen in vielen Bereichen unseres Lebens, auch im Gesundheitswesen, große Mengen an Daten. Der Versuch, diese Daten nutzbar zu machen, ist offensichtlich reizvoll. Das maschinelle Lernen (Machine learning) bietet eine Möglichkeit, diese Daten für die Schaffung von Systemen zu nutzen, die automatisch Muster erkennen können.
Mit maschinellem Lernen ist es möglich, einen Teil eines Computerprogramms sowohl auf der Grundlage von Daten als auch von Code zu erstellen, anstatt nur zu kodieren. Mithilfe von Algorithmen des maschinellen Lernens können wir Modelle entwerfen, die helfen, nützliche Muster in bestimmten Datensätzen zu finden. Um die Muster zu finden, die wir für nützlich halten, muss das Modell zunächst mit einem Trainingssatz von Daten trainiert werden. Dieser Datensatz sollte von ausreichender Qualität und Quantität sein, und die Daten müssen auf eine bestimmte Art und Weise präsentiert werden, z. B. durch Beschriftung oder Clustering. Diese Präsentation ermöglicht es dem Algorithmus für maschinelles Lernen, die Parameter des Modells auf der Grundlage der Korrektheit der Ausgabe anzupassen, um bei der nächsten Ausführung einen höheren Prozentsatz korrekter Ausgaben für den Satz zu erhalten. Hier muss ein Gleichgewicht zwischen der Erhöhung der korrekten Ausgaben und der Fähigkeit zur Verallgemeinerung auf unbekannte Daten gefunden werden. Um sicherzustellen, dass das Modell die Muster findet, nach denen wir suchen, wenn es auf neue Daten angewendet wird, muss ein guter Grenzwert für den Trainingsprozess festgelegt werden. Obwohl der Begriff „maschinelles Lernen“ zu implizieren scheint, dass eine Art Maschine von selbst lernt, sind die Auswahl des Designs und der verwendeten Daten entscheidend für das Ergebnis des Prozesses.
mHealth kann sowohl Daten generieren, die für maschinelles Lernen verwendet werden können, als auch verschiedene maschinelle Lernmodelle nutzen. Ein Modell, das auf einem großen Satz medizinischer Bilder trainiert wurde, könnte in einer App verwendet werden, die den Nutzer darauf hinweist, einen Arzt auf bestimmte körperliche Unregelmäßigkeiten auf der Haut aufmerksam zu machen.1 Es ist auch möglich, die vom Nutzer selbst erzeugten Daten zu nutzen, um einen Dienst zu personalisieren. Zum Beispiel durch den Vergleich von Sensordaten, die die Anzahl der Schritte messen, die jemand nach dem Erhalt einer motivierenden Nachricht macht. Wenn sich jemand nach einer bestimmten Nachricht zu einem bestimmten Zeitpunkt mehr bewegt, könnte eine App dieses Muster nutzen, um den Zeitpunkt und den Inhalt der Motivationsbotschaften zu verbessern.2 Dieser Mechanismus würde es ermöglichen, die Art der Intervention an die Reaktion eines bestimmten Nutzers anzupassen. Die verschiedenen Anwendungen des maschinellen Lernens werden jeweils ihre technischen und ethischen Herausforderungen haben.
Referenzen
- X. Dai, I. Spasić, B. Meyer, S. Chapman and F. Andres, „Machine Learning on Mobile: An On-device Inference App for Skin Cancer Detection,“ 2019 Fourth International Conference on Fog and Mobile Edge Computing (FMEC), 2019, pp. 301-305.
- Aguilera A, et al „mHealth app using machine learning to increase physical activity in diabetes and depression: clinical trial protocol for the DIAMANTE Study“ BMJ Open 2020;10:e034723