Knowledge-Hub Digitalisierung, KI & Gesundheitein Angebot von Monitor Versorgungsforschung

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

Kalibrierung von Machine Learning-Vorhersagemodellen ohne Validierungsdaten: vier Verfahren im Vergleich

Carluccio ED et al. · Stat Med · erschienen Okt. 2026 · in PubMed seit 19.10.2026 · PMID 42894315

Von KI ausgewählt und zusammengefasst

Worum es geht

Methodische Studie an Deutschlands Daten (Schlaganfall-Funktionsvorhersage, koronare Herzerkrankung) zu Kalibrierungsmethoden für ML-Modelle, wenn keine Zieldatensätze zur Neukalibrierung verfügbar sind.

Ergebnis

Fünf Verfahren getestet (SimCal, Similarity-Binning Averaging, Adaptive Calibration, Elkan, Expert Judgment Modeling). SimCal funktionierte gut bei korrekter Modellspezifikation. Keines der Verfahren überzeugte konsistent in allen Situationen. Expert Judgment Modeling scheiterte auf Schlaganfall-Daten.

Übertragbarkeit auf Deutschland

Deutsche Versorgungsdaten (Hamburg, Essen): zentral für Kalibrierungsproblem bei Modellübertragung zwischen Zentren und Populationen.

Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.