Bei Positive and Unlabeled (PU) data learning problems wird angenommen, dass es zwar positive Beispiele in einem Datensatz gibt, die negativen Beispiele jedoch nicht alle negativ sind, sondern eine Mischung aus positiven und negativen Beispielen darstellen.
Der aktuelle Stand der Forschung zur Kodierung von Sepsis deutet darauf hin, dass Spitalabrechnungsdaten zumindest teilweise als PU-Daten eingestuft werden können. Dies stellt eine große Herausforderung für die Gesundheitsökonomie und die Versorgungsforschung dar, da Spitalaufenthalte für bestimmte Krankheiten, stationäre Komplikationen und andere Indikatoren (z. B. robotergestützte Chirurgie) unterschätzt werden könnten.
In diesem Projekt wenden wir PU-Lernalgorithmen auf Spitalabrechnungsdaten an, um positive Beispiele unter den unlabeled examples zu finden. Unsere Ergebnisse werden zeigen, ob bestehende Lernalgorithmen genutzt werden können, um die Qualität von Spitalabrechnungsdaten zu verbessern.
Dr. Justus Vogel, Johannes Cordier
----
12 Monate (01.01.2024-31.12.2024)