gms | German Medical Science

20. Jahrestagung des Deutschen Netzwerks Evidenzbasierte Medizin e. V.

Deutsches Netzwerk Evidenzbasierte Medizin e. V.

21. - 23.03.2019, Berlin

Die Rolle von Theorie in Machine Learning

Meeting Abstract

Suche in Medline nach

  • Levente Kriston - Universitätsklinikum Hamburg-Eppendorf, Medizinische Psychologie, Hamburg, Deutschland

EbM und Digitale Transformation in der Medizin. 20. Jahrestagung des Deutschen Netzwerks Evidenzbasierte Medizin. Berlin, 21.-23.03.2019. Düsseldorf: German Medical Science GMS Publishing House; 2019. Doc19ebmS1-V1-02

doi: 10.3205/19ebm002, urn:nbn:de:0183-19ebm0021

Veröffentlicht: 20. März 2019

© 2019 Kriston.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.


Gliederung

Text

Hintergrund/Fragestellung: Das Potenzial und die Herausforderungen der Verwendung von automatisierten und regelbasierten Systemen zur Erkennung von Mustern und Gesetzmäßigkeiten (Machine Learning) in unter klinischen und nicht-klinischen Alltagsbedingungen erhobenen Daten werden beispielsweise unter den Stichwörtern „Big Data“ und „Künstliche Intelligenz“ mit zunehmender Intensität diskutiert. Das Ziel des Beitrages ist es, die Rolle von Theorie in der Anwendung von Machine Learning für die Ableitung von wissenschaftlichen Aussagen zu diskutieren.

Methoden: Narratives Review.

Ergebnisse: Entscheidende Unterschiede existieren zwischen der traditionellen wissenschaftlichen Methode und der Verwendung von Machine Learning bzgl. der Rolle von Theorien. Traditionelle wissenschaftliche Methoden verwenden Theorien, um den Prozess des Erkenntnisgewinns zu leiten, während zahlreiche Machine Learning Ansätze ohne jeglichen (expliziten) Bezug auf Theorie angewendet werden. Daraus ergeben sich Unterschiede bzgl. des Anspruchs auf Generalisierbarkeit der gewonnenen Erkenntnisse und ihrem Verhältnis zur praktischen Anwendung. Bei unvollständiger theoretischer Verankerung der getesteten Modelle könnten verschiedene Methoden der internen und externen Validierung dazu beitragen, das Potenzial von Machine Learning für die Ableitung von wissenschaftlichen Aussagen realistisch einzuschätzen.

Schlussfolgerungen: Die Nützlichkeit von Machine Learning für wissenschaftliche Ziele hängt entscheidend davon ab, ob und in welcher Tiefe eine Theorie den verwendeten statistischen Modellen zugrunde liegt. Vollständig theoriefreie Ergebnisse laufen eine große Gefahr, auf andere Datensätze und Settings nicht übertragbar zu sein. Machine Learning mit settingspezifischer Schätzung von Modellparametern kann u.U. auch ohne theoretische Verankerung praktisch zweckdienlich sein.

Interessenkonflikte: Keine.