2025 februárjában a Sci nevű tudományos folyóiratban megjelent cikkükben magyar kutatók, köztük Báskay János és témavezetője, Dr. Pollner Péter, valamint Dr. Joó Tamás – szakértőink – az Egészségbiztonság Nemzeti Laboratórium Adatvezérelt Egészség Dívizió kutatása keretében végzett tanulmányukban a túlélési elemzésekhez használt gépi tanulási modellek megbízhatóságát vizsgálták, különösen akkor, amikor az adatok egy része hiányos vagy „cenzúrázott” – vagyis nem áll rendelkezésre a teljes túlélési idő minden beteg esetében.
A szerzők egy új, rendszerezett tesztelési módszert dolgoztak ki, amely megmutatja, hogyan változik a modellek teljesítménye, ha növelik az ilyen hiányos adatok arányát. Öt különböző modellt teszteltek, és kiderült, hogy a nemlineáris modellek, például a kevert sűrűségű hálózatok, érzékenyebbek az adatok minőségének romlására. Ez az új módszer segíthet a kutatóknak és orvosoknak abban, hogy megbízhatóbb modelleket válasszanak és fejlesszenek a klinikai gyakorlatban, ahol gyakran előfordulnak hiányos adatok.
A klinikai kutatásokban gyakori, hogy nem minden beteg esetében ismert pontosan a túlélési idő – például amiatt, mert a vizsgálat lezárultáig életben maradnak. Ezt hívják „cenzúrázásnak”. Az ilyen hiányos adatok azonban kihívást jelentenek a mesterséges intelligencián (MI) alapuló előrejelző modellek számára, mert ezeknek a modelleknek kezelniük kell a bizonytalanságot és a hiányos információt, hogy pontos és megbízható előrejelzéseket adhassanak. Éppen ezért fontosak azok a speciális módszerek és tesztelési eljárások, amelyek segítenek megérteni és javítani a modellek teljesítményét ilyen cenzúrázott adatok esetén.
A tanulmány rávilágít arra, mennyire fontos, hogy az ilyen modellek fejlesztésekor figyelembe vegyük a cenzúrázás hatásait, ha valódi, klinikai adatokon szeretnénk őket alkalmazni.
Módszerük új szabványt nyújt a túlélési elemzési modellek értékeléséhez, feltárva a cenzúra kritikus hatását a modell teljesítményére. Ezek az eredmények gyakorlati útmutatást nyújtanak a klinikai alkalmazásokban a modellválasztáshoz és -fejlesztéshez, hangsúlyozva a robusztus cenzúrakezelési stratégiák fontosságát.
A teljes cikk itt olvasható: Censoring Sensitivity Analysis for Benchmarking Survival Machine Learning Methods