Der Einsatz künstlicher Intelligenz im Gesundheitswesen nimmt rasant zu, doch nur wenige Anwendungen haben den routinemäßigen klinischen Einsatz erreicht. Ein zentrales Hindernis ist die mangelnde Transparenz, da viele Modelle des maschinellen Lernens als „Black Boxes“ funktionieren, die Vorhersagen ohne nachvollziehbare Begründung liefern. Diese Arbeit untersucht einen alternativen Ansatz, der auf geometrischen Datendarstellungen basiert. Patientenverläufe werden in eine niedrig dimensionale Mannigfaltigkeit eingebettet, die direkt aus klinischen Messungen gelernt wird, wodurch undurchsichtige Modellparameter durch eine Struktur ersetzt werden, die auf den ursprünglichen Patienten Daten interpretierbar bleibt. Die Methode wird an zeitabhängigen Daten der Intensivmedizin angewandt und führt eine Semimetrik für Patientenverläufe ein, die die Ähnlichkeit zwischen einem neuen Patientenverlauf und einer krankheitsspezifischen Darstellung auf der Mannigfaltigkeit misst. Dies ermöglicht sowohl die Überprüfung der Krankheitszugehörigkeit, bei der bewertet wird, ob ein Verlauf mit einer bestimmten Erkrankung übereinstimmt, als auch die Vorhersage des Behandlungsergebnisses durch den Vergleich von Patientenverläufen mit Mannigfaltigkeiten, die anhand von Gruppen überlebender und nicht überlebender Patienten trainiert wurden.Das vorgestellte Framework wird anhand der eICU-Datenbank im Hinblick auf die diabetische Ketoazidose evaluiert. In mehreren Experimenten erfasst die gelernte Mannigfaltigkeit die charakteristische Verlaufsstruktur der Erkrankung, und das daraus resultierende Ähnlichkeitsmaß unterscheidet die diabetische Ketoazidose sowohl von verwandten Stoffwechselstörungen als auch von nicht verwandten Erkrankungen auf der Intensivstation. Die Erkrankungsausgangsklassifizierung erreicht eine Genauigkeit von rund 70 % für überlebende Patienten. Die Auswertung der Resultate wird durch das starke Ungleichgewicht der Klassen des Datensatzes limitiert. Dennoch zeigen die Ergebnisse dieser Arbeit, dass die Mannigfaltigkeitsapproximation als aussagekräftiger Rahmen für die qualitative Analyse von Patientenverläufen in klinischen Zeitreihendaten dienen kann. Darüber hinaus wird das Potenzial von Darstellungen, die auf Mannigfaltigkeiten basieren, für die interpretierbare, krankheitsspezifische Modellierung deutlich.
de
The adoption of artificial intelligence in healthcare is increasing rapidly, yet only a small number of applications have reached routine clinical use. A central obstacle is the lack of transparency, as many machine learning models operate as black boxes that produce predictions without interpretable reasoning. This thesis explores an alternative approach based on geometric data representations. Patient trajectories are embedded into a low dimensional manifold learned directly from clinical measurements, replacing opaque model parameters with a structure that remains interpretable in the original feature space. The method is designed for time-dependent intensive care unit data and introduces a semi-metric on trajectories that measures similarity between a new patient trajectory and a disease-specific manifold representation. This allows both disease membership testing, which evaluates whether a trajectory is consistent with a given condition, and outcome prediction by comparing trajectories to manifolds trained on surviving and non surviving patient groups.The introduced framework is evaluated on diabetic ketoacidosis using the eICU database. Across several experiments the learned manifold captures characteristic trajectory structure of the disease and the resulting similarity measure distinguishes diabetic ketoacidosis from both related metabolic disorders and non-related conditions in the intensive care unit. Outcome classification achieves an accuracy of 70.7% for surviving patients. However, the statistical analysis is limited by the severe class imbalance of the dataset. This thesis demonstrates that manifold approximation can serve as a meaningful framework for the qualitative analysis of patient trajectories in clinical time series data. It introduces a concrete methodological framework and emphasises the potential value of manifold-based representations for interpretable disease-specific trajectory modelling.
en
Additional information:
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
