Kalibrierung von Machine Learning-Vorhersagemodellen ohne Validierungsdaten: vier Verfahren im Vergleich
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.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.