Bootstrapping-Regularisierung erhöht Stabilität klinischer Risiko‑Modelle

In der klinischen Praxis werden Vorhersagemodelle immer häufiger eingesetzt, doch viele Deep‑Learning‑Ansätze zeigen eine erhebliche Instabilität: ihre Prognosen schwanken stark, wenn sie mit unterschiedlichen Stichproben aus derselben Population trainiert werden. Diese Schwankungen untergraben die Zuverlässigkeit und erschweren die breite Akzeptanz in der Patientenversorgung.

Die vorliegende Studie präsentiert ein neuartiges Regularisierungsframework, das das Bootstrapping direkt in den Trainingsprozess tiefer neuronaler Netze integriert. Durch die Begrenzung der Vorhersagevariabilität über resample‑Datensätze entsteht ein einzelnes Modell, das von Natur aus stabilere Ergebnisse liefert.

Die Autoren verglichen die Methode mit simulierten Daten sowie mit drei realen klinischen Datensätzen – GUSTO‑I, Framingham und SUPPORT. Das bootstrapping‑basierte Modell zeigte deutlich geringere mittlere absolute Unterschiede (z. B. 0,019 vs. 0,059 bei GUSTO‑I) und deutlich weniger signifikant abweichende Vorhersagen. Gleichzeitig blieb die diskriminative Leistung und die Konsistenz der Feature‑Wichtigkeiten erhalten, wie hohe SHAP‑Korrelationen (z. B. 0,894 bei GUSTO‑I) belegen.

Obwohl Ensemble‑Modelle noch höhere Stabilität erreichten, geschah dies auf Kosten der Interpretierbarkeit, da jedes Teilmodell unterschiedliche Prädiktoren einsetzte. Durch die Regularisierung der Vorhersagen entlang bootstrappter Verteilungen ermöglicht die neue Technik die Entwicklung robusterer, gleichzeitig interpretierbarer Risiko‑Modelle, die besser für die klinische Praxis geeignet sind.