Praktische Daten zum Gesundheitswesen

Kapitel 6. Maschinelles Lernen und Analytik

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Bis jetzt haben wir viel Zeit damit verbracht, uns Gedanken darüber zu machen, wie wir Daten aus der Praxis des Gesundheitswesens betrachten und wie wir sie verarbeiten können. Natürlich entwickeln wir diese Daten so, dass wir sie analysieren und Erkenntnisse gewinnen können! Als die meisten von uns (mich eingeschlossen) anfingen, mit Daten zu arbeiten, wollten wir wahrscheinlich direkt in das maschinelle Lernen einsteigen und Vorhersagemodelle erstellen. Dann haben wir uns dabei ertappt, dass wir ständig Daten manipulieren und sie von einem Datenrahmen in einen anderen umwandeln. Fast jede Bibliothek, die etwas mit Daten macht, erwartet, dass die Eingabe in Form eines Datenrahmens erfolgt, einer tabellarischen Struktur, die gut zu Daten aus CSV-Dateien und relationalen Datenbanken passt, aber weniger zu Daten aus Dokumenten- oder Graphdatenbanken.

Wir haben uns also die ganze Zeit mit der Komplexität von RWD beschäftigt und darüber gesprochen, wie toll Graphen sein würden. Wie verbinden wir das mit all den Analysetools, die alles in übersichtlichen kleinen Tabellen darstellen wollen? Oder gibt es alternative Ansätze?

In diesem Kapitel diskutieren wir, wie wir RWD (vor allem, wenn es sich um einen Graphen handelt) mit Analytik und insbesondere mit maschinellem Lernen verbinden können. Wir beginnen mit ...