PUB - Publikationen an der Universität Bielefeld

Etwa ein Drittel der Weltbevölkerung ist mit Tuberkuloseerregern infiziert und die Erkrankung führt die weltweite Statistik der tödlichen Infektionskrankheiten an. Aktuell erkranken nur etwa fünf bis zehn Prozent der mit Mycobacterium tuberculosis Infizierten tatsächlich im Laufe ihres Lebens, die Krankheit wird aber immer häufiger durch medikamentenresistente Tuberkulosestämme verursacht. Auch in Deutschland war in letzter Zeit ein Anstieg der Erkrankungen an Tuberkulose zu verzeichnen, bedingt durch die erhöhte Zuwanderung im Herbst 2015. Somit kann sich die Kontagiosität dieser Erkrankung kurzfristig ändern und erfordert klinische Entscheidungssysteme, die sich entsprechend adaptieren können. Dafür eignen sich sog. Machine-Learning-Algorithmen. Machine Learning beinhaltet eine Reihe von Methoden, die es Computern prinzipiell ermöglichen, aus Daten zu lernen, um Vorhersagen zu treffen und diese auch zu verbessern. Diese so generierten Vorhersagen haben aber den Nachteil, dass sie für die Anwender fast immer intransparent sind (Black-Box-Phänomen). Mediziner*innen sind es dagegen gewohnt, mit Algorithmen und/oder Entscheidungsbäumen zu arbeiten, deren einzelne Schritte nachvollziehbar und anpassbar sind und damit erforderliche Abweichungen erlauben. In dem hier skizzierten Projekt sollen die Vorteile aus beiden Systemen für die klinische Anwendung nutzbar gemacht werden und die Ersteinschätzung der Kontagiosität von Patienten mit Tuberkulose verbessern.