Symbolische Regression für verständliche klinische Entscheidungswerte

In der medizinischen Entscheidungsfindung werden Algorithmen häufig eingesetzt, die Risikoberechnungen mit klaren Regeln kombinieren, um standardisierte Behandlungswege zu ermöglichen. Traditionell beschränkt sich die symbolische Regression (SR) auf kontinuierliche Funktionsformen und deren Parameter, was die Modellierung solcher regelbasierten Entscheidungsprozesse erschwert.

Der neue SR-Algorithmus Brush löst dieses Problem, indem er Entscheidungsbaum-ähnliche Splitting-Methoden mit der Optimierung nichtlinearer Konstanten kombiniert. Dadurch lässt sich regelbasierte Logik nahtlos in symbolische Regressions- und Klassifikationsmodelle einbinden.

Brush erzielt auf dem Benchmark SRBench Pareto-optimalen Erfolg und konnte zwei weit verbreitete klinische Scoring-Systeme exakt nachbilden. Die resultierenden Modelle zeigen dabei sowohl hohe Genauigkeit als auch vollständige Interpretierbarkeit.

Im Vergleich zu herkömmlichen Entscheidungsbäumen, Random Forests und anderen SR-Methoden erreicht Brush gleichwertige oder sogar bessere Vorhersageleistungen, während die Modelle gleichzeitig einfacher und leichter verständlich bleiben.