Anwendung künstlicher neuronaler Netze für die Prognoseschätzung bei Verlaufsdaten

Abstract

Gegenstand der Arbeit ist die Anwendung moderner Verfahren aus der Informatik für die Analyse von Verlaufsdaten mit unvollständigen Beobachtungen (rechtszensierte Daten). Als Kernfrage wird der Vergleich der Prognosequalität von statistischen Methoden und künstlichen neuronalen Netzen bearbeitet. Die Analysen erfolgen mittels Kaplan-Meier-Schätzung, Klassifikations- und Regressionsbaum, Cox-Regressions-Analyse, eines neuronalen Netzes mit zwei Zellen in der verdeckten Schicht und eines komplexeren Netzes mit zehn Zellen in der verdeckten Schicht. Dabei werden in einem ersten Analyseschritt werden die vier Verfahren mit simulierte Daten getestet. Mit den im zweiten Analyseschritt verwendeten realen Daten des Melanomregisters der Deutschen Dermatologischen Gesellschaft erreichen die verschiedenen Methode eine nahezu gleiche Prognosequalität. Die Ergebnisse der Analysen dieser Arbeit zeigen, dass die verwendeten neuronalen Netze keinen Ersatz für die statistischen Verfahren zur Auswertung zensierter Verlaufsdaten darstellen. Für die Zukunft ist es vorstellbar, künstliche neuronale Netze für die Überprüfung statistischer Modelle zu verwenden.

Application of modern computational methods for the analysis of right censored follow-up data is subject of this thesis. Major question is the prognosic quality of statistical methods in comparison to artificial neural networks. Analyses were performed using Kaplan-Meier estimates, classification and regression trees, Cox proportional hazards regression and artificial neural networks with two units in the hidden layer and artificial neural networks with ten units in the hidden layer. In a first step the four methods were compared using simulated data. In a second step data from the German Malignant Melanom Registry of the German Dermatological Society were analyzed with minor differences in prognosic quality for the different methods. The results demonstrate that the used artifical neural networks can not replace statistical methods for the analysis of censored follow-up data. In future, artificial neural networks may be used for quality check of statistical methods.