Neue Publikation in Healthcare Management Science: Generalisierba­re Machine Learning Modelle im Gesundheitswe­sen

In Zusammenarbeit der Professur für Industrielles Management mit der Professur für intelligente Systeme und Dienste (TUD), der Professur für Nachvollziehbare Künstliche Intelligenz (Universität Regensburg) und dem Universitätsklinikum Dresden ist eine neue Publikation in Healthcare Management Science erschienen. Unter Beteiligung von Lasse Bohlen, Daniel Zähringer und Patrick Zschech untersucht die Studie anhand von Daten aus europäischen und US-amerikanischen Gesundheitssystemen, wie gut sich Modelle des maschinellen Lernens zur Vorhersage von Patientenergebnissen auf der Intensivstation (Mortalität, Aufenthaltsdauer, Wiederaufnahme) bei der Übertragung zwischen verschiedenen Krankenhäusern bewähren.

Die Ergebnisse liefern eine wichtige Erkenntnis: Einfachere, inherent interpretierbare Modelle lassen sich oft robuster auf verschiedene Gesundheitseinrichtungen übertragen als komplexe „Black-Box“-Ansätze, während sie gleichzeitig weniger lokale Daten erfordern. Bei verschiedenen Prognoseaufgaben auf der Intensivstation führte eine erhöhte Komplexität der Modelle nicht zwangsläufig zu einer besseren Performance über verschiedene Krankenhäuser hinweg.
Zusätzlich bietet eine Interpretierbakeitsanalyse Krankenhausmanagern praktische Instrumente, um zu ermitteln, welche klinischen Merkmale dazu führen können, dass externe Modelle in ihrem spezifischen Krankenhausumfeld versagen, und ermöglicht so eine sicherere Modellvalidierung vor der Implementierung.

Referenz:
Bohlen, Lasse, et al. "Toward generalizable and interpretable machine learning models in healthcare: Insights from ICU outcome predictions." Health Care Management Science 29.2 (2026): 23. https://doi.org/10.1007/s10729-026-09760-y