Moderne Prognoseverfahren für optimiertes Disease Management

Transkript

1 Moderne Prognoseverfahren für optimiertes Disease Management DGDM Prof. Dr. Michael Feindt Universität Karlsruhe Phi-T Physics Information Technologies GmbH Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt Moderne Prognoseverfahren für optimiertes Disease Management DGDM Prof. Dr. Michael Feindt Universität Karlsruhe Phi-T Physics Information Technologies GmbH Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 2

2 Zufall Rein zufällige Ereignisse sind prinzipiell nicht vorhersagbar (auch bei genauer Kenntnis der Ausgangssituation!) Beispiele hierfür sind: Lottozahlen (Zu viele Einflussgrößen, deterministisches Chaos) radioaktiver Zerfall (Quantenmechanik) Elektronisches Rauschen Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 3 Vorhersehbar Bei einfachen klassischen physikalischen Prozessen Ist das Ergebnis exakt vorhersagbar (eine Ursache erzeugt eine eindeutige Wirkung, Determinismus) Beispiele hierfür sind: Pendel, Planetenbahnen, Billard, Elektromagnetismus Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 4

3 Wahrscheinlichkeit Viele Systeme: Mischung aus vorhersagbarer Komponente und Zufallskomponente. Wahrscheinlichkeitsaussage, Statistik Worauf es für Zukunftsprognosen ankommt: Extraktion der vorhersagbaren Komponente aus multidimensionalen historischen Daten, Anwendung des Modells auf aktuelle Daten Statistische Aussagen über die Zukunft im Mittel (leicht) Statistische Aussagen über die Zukunft im Einzelfall (schwierig) Wahrscheinlichkeit Kosten durch Patienten X mittlere Kosten Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 5 Kosten Fragestellungen im Disease Management Wie kann ich möglichst signifikant beweisen, dass die Maßnahmen erfolgreich sind? Wie kann ich den Erfolg einer Maßnahme (bei einem bestimmten Patienten) möglichst gut prognostizieren? Welche Patienten sollte ich als Kandidaten zur Teilnahme an einem Programm wählen, wenn nur ein festes Kontingent möglich ist? Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 6

4 Technologietransfer aus der internationalen Spitzenforschung Optimiert durch weltweiten Wettbewerb, um aus den begrenzten und teuren Daten der Elementarteilchenphysik-Experimente möglichst viele neue physikalische Erkenntnisse zu extrahieren sehr mächtige statistische Prognoseverfahren Fermilab CERN LHC Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 7 Elementarteilchenphysik-Experimente Viele identische Versuche über Jahre: Kollisionen zwischen z.b. Elektronen und Positronen Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 8

5 Quantenmechanik: Jedes Mal passiert etwas anderes! OPAL Experiment am LEP Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 9 Presse (Die Welt vom 21. April 2006)

6 <phi-t> NeuroBayes Neuronale Netzwerke: Selbstlernende Verfahren, der Natur nachempfunden Frontal Lobe Motor Cortex Parietal Cortex Temporal Lobe Brain Stem Occipital Lobe Cerebellum Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 11 Aufgabe: Aus bekannten Beispielen lernen, ob und wie eine Zielvariable von vielen Eingabevariablen abhängt, die beliebig kompliziert und korreliert sein können. Dabei nur relevante Zusammenhänge lernen, keine Kaffeesatzleserei (d.h. Unterdrückung statistischer Schwankungen). Mit Hilfe dieser Expertise für neue Fälle, bei denen die Eingabewerte bekannt sind, nicht aber die Zielvariable (z.b weil sie erst in der Zukunft bestimmt wird), den Wert der Zielvariablen prognostizieren und die Unsicherheit der Prognose quantifizieren. Lösungsansatz: Neuronale Netzwerke Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 12

7 Neuronale Netzwerke Die Information (das Wissen, die Expertise) steckt in den Verbindungen zwischen den Nervenzellen. Jedes Neuron trifft unscharfe Entscheidungen (Fuzzy-Logik) <phi-t> NeuroBayes > lernt sehr schnell aus historischen Daten > ist extrem robust > unterdrückt zuverlässig statistisches Rauschen > kann binäre Entscheidungen treffen (klassifizieren) > kann komplette Wahrscheinlichkeitsdichten berechnen > macht zuverlässige Prognosen für die Zukunft Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 13 Funktionsweise von NeuroBayes : Historische Daten Datensatz a =... b =... c = t =! NeuroBayes Teacher lernen und prognostizieren Aktuelle Daten Expertensystem Expertise Wahrscheinlichkeit, dass Hypothese stimmt (bei Klassifikation) oder Wahrscheinlichkeitsdichte für die gesuchte Größe t Datensatz a =... b =... c = t =? NeuroBayes Expert f t t Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 14

8 Historie Nach sehr vielen erfolgreichen Anwendungen in der Elementarteilchenphysik- Grundlagenforschung Potenzial von NeuroBayes für die Wirtschaft erkannt. High-Tech-Ausgründung aus Elite-Universität Karlsruhe nutzt und optimiert NeuroBayes für die Wirtschaft NeuroBayes -Spezialisierung für die Wirtschaft in Universität Karlsruhe Okt. 2002: GmbH gegründet, erste bezahlte Aufträge Juni 2003: Umzug in neues Büro 199 qm IT-Portal Karlsruhe 2008: Expansion auf 670 qm im IT-Portal Karlsruhe Exklusivrechte an und Weiterentwicklung und Anwendungen von NeuroBayes Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 15 Erfolgreich im Wettbewerb mit anderen Data-Mining- Methoden Weltgrößter Studenten- Wettbewerb: Data-Mining-Cup 2005: Betrug im Internethandel 2006: Preise bei ebay- Auktionen 2007: Gutschein- Einlöseverhalten Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 16

9 Prognosen von Sportereignissen aus historischen Daten 1:0 0:1 2:2 2:0 0:3 2:1 1:0 1:2 0:3 Ergebnisse: Wahrscheinlichkeit für Heimsieg-Unentschieden-Auswärtssieg Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 17 Sehr erfolgreiche Referenzprojekte u.a. mit Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 18

10 z.b. Individuelle Risikoprognosen für Kfz-Versicherungen: Schadenwahrscheinlichkeit Verteilung der Schadenhöhe Großschaden-Prognose Kündigungs-Prognose sehr erfolgreich eingesetzt bei Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 19 Korrelationen werden sichtbar im Ramler-Plot Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 20

11 Korrelationen zur Zielvariablen im Ramler II-Plot Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 21 z.b. Umsatz- und Retourenprognosen für den Versandhandel Jeder Artikel, jede Farbe und jede Größe in jedem Katalog: Prognose vor und während der Saison Sehr erfolgreich zur Dispositionsoptimierung! Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 22

12 Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 23 Presse Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 24

13 Prognose von Finanzmärkten VDI-Nachrichten, NeuroBayes -basierter risikoarmer marktneutraler Fonds für institutionelle Anleger Lupus Alpha NeuroBayes Short Term Trading Fonds Test Test Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 25 Z.B. private Krankenversicherungen: Individuelle Prognosen von Leistungen in laufendem Jahr und Folgejahr. Individuelle Prognosen von Kündigungswahrscheinlichkeiten. Funktionieren sehr gut! z.b.: Risikozuschläge aus Anamnese können bis zu 10 Jahre in die Zukunft bestimmt werden (viel besser als zur Zeit üblich). Kann z.b. zur Entwicklung von gleichzeitig wettbewerbsfähigen und gerechteren Tarifen sowie frühzeitiger Prognose von Beitragsänderungen genutzt werden. Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 26

14 Kosten im Krankenversicherungsbereich Komplexe Wahrscheinlichkeitsverteilungen, mit klassischen Methoden nicht behandelbar. Großteil der Versicherten beanspruchen in einem Tarif keine Leistungen im Folgejahr Klassifikation: Wahrscheinlichkeit, dass irgendeine Leistung beansprucht wird. Dichteverteilung: Wahrscheinlichkeitsverteilung der Kosten, wenn überhaupt Kosten entstehen. Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 27 Kosten im Krankenversicherungsbereich NeuroBayes -Resultat: Gesamte Wahrscheinlichkeitsverteilung der Kosten, wenn überhaupt Kosten entstehen. Daraus können Mittelwert und Unsicherheitsintervalle bestimmt werden. Aus Klassifikation und Wahrscheinlichkeits- Dichte können z.b. die mittleren zu erwartenden Kosten bestimmt werden. Natürlich beinhalten diese Prognosen eine große Unsicherheit, die aber auch individuell quantifiziert wird. Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 28

15 Test der Prognosen im Folgejahr Typische Test-Resultate: Erwartungswert der NeuroBayes -Prognose stimmt! Testzeitraum Prognose als Mittelwert: Von allen Versicherten/Tarifen mit Prognose = 100 ist der Mittelwert des Leistungsbetrags auch 100 Prognose stimmt! Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 29 Prognosegüte Übliche Prognosemethode: Abschätzung der zukünftigen Kosten aus den Kosten der letzten drei Jahre rote Punkte Mittelwert der Wahrheit grüner Bereich enthält 68 % der Einträge mit der jeweiligen Prognose gelber Bereich enthält 95 % der Einträge mit der jeweiligen Prognose Soll auf der Diagonalen sein. Sollen möglichst schmal sein. NeuroBayes -Prognose Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 30

16 Tests der Prognosesicherheit Korrekte Interpretation der Ausgabewerte als Konfidenz-Intervall Die wirklichen Kosten im Folgejahr liegen in etwa 68 % der Fälle innerhalb der 1σ-Grenze um den prognostizierten Mittelwert (95% innerhalb der 2σ-Grenze). Typische Werte: Anteil der Einträge im 1σ-Bereich : 68% erwartet 67.9% gemessen Anteil der Einträge im 2σ-Bereich : 95% erwartet 94.3% gemessen Die Konfidenz-Intervalle stimmen! Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 31 Bewertung des Tests möglichst gute Generalisierungsfähigkeit Die Fläche zwischen dem Lift-Chart und der Diagonalen ist ungefähr so groß wie die prognostizierte Fläche. Lift-Chart für die wahre Leistung Verbotene Regionen Die verbotenen Regionen entsprechen einer Sortierungskraft, die besser ist als die Wahrheit (unmöglich) oder schlechter als der Zufall. Fläche = 0.41 Fläche = 0.38 max Fläche = 0.47 Die Fläche ist sogar etwas größer als die prognostizierte Fläche! Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 32

17 Tarifbezoge Daten wie z.b. > Tarifalter > Tarif-Typ > Selbstbeteiligung > Risikozuschlag Daten zu Leistungen im Vorjahr wie z.b. > Anzahl Belege pro Person/Tarif > Kostenbetrag pro Person/Tarif > Mittlere Kosten pro Person/Tarif in den letzten 3 Jahren Typische Inputvariablen Geographische Info wie z.b. > Bundesland > Stadtgröße Versicherungsnehmerbezogene Daten: >Anzahl Kinder > Gesamtbeitrag Personenbezogene Daten wie: > Alter > Geschlecht > Beruf > Eintrittsalter > Anzahl der Tarife > Gesamtbeitrag > Diagnose beim Eintrittszeitpunkt Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 33 Aus Versicherungsdatenbanken kann man mit NeuroBayes sehr viel lernen und für die Folgejahre individuell prognostizieren. Zum Beispiel: Wahrscheinlichkeit des Auftretens einer bestimmten Krankheit Entstehende Kosten durch eine bestimmte Diagnose Durch sog. Boost-Trainings kann der positive Einfluss von dedizierten Maßnahmen, z.b. Teilnahme an einem Disease Management-Programm auf z.b. die Überlebenswahrscheinlichkeit, die Lebensqualität oder die zukünftig entstehenden Kosten INDIVIDUELL bestimmt werden. Damit kann der positive Effekt von Maßnahmen (oder Therapien) in historischen Daten differenziert nachgewiesen werden. Bei der Entscheidung über Therapien oder Maßnahmen bei neuen Patienten kann die Erfolgschance INDIVIDUELL bestimmt werden und so Chancen (und ggf. Risiken) optimiert werden. Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 34

18 Was braucht NeuroBayes, um solche Prognosen durchzuführen? Historische Falldaten mit möglichst vielen beschreibenden Daten (Geschlecht, Alter, Vorgeschichte, etc) zum Zeitpunkt t0 und zu prognostizierenden Größen (Überleben, Kosten) zu einem späteren Zeitpunkt t1. -- möglichst viele solche Fälle (sinnvoll ab ca ) -- möglichst viele (wenn bekannt, möglichst relevante) beschreibende Daten für jeden Fall Die Daten von großen Krankenkassen oder Krankenversicherungen sollten ausreichen. Verbandsdaten oder durch Pooling zusammengestellte Datenbanken sorgen für bessere Prognosefähigkeit. Die Prognosegüte steigt mit Wurzel aus der Anzahl der Fälle. Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 35 Analysen und Prognosen mit NeuroBayes in vielen Bereichen der Wissenschaft und Wirtschaft sehr erfolgreich. Pilotprojekte im medizinischen Bereich zeigen, dass die Anwendung von modernen statistischen Methoden auf große Datenbanken z.b. von Versicherern zu einem enormen Erkenntnisgewinn führt und man (statistisch) individuell in die Zukunft prognostizieren kann. Damit kann man z.b.: -- Therapie- und Maßnahmenerfolge beweisen und individuell optimieren -- Individuell Chancen und Risiken von Therapien abwägen, dadurch unnötige Kosten und unnötige Risiken vermeiden -- Optimale Therapien für individuelle Patienten auswählen -- Optimale Kandidaten für limitierte Programme auswählen Wir stehen am Anfang einer spannenden Entwicklung Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 36

19 Wem es ernst ist mit einer Reduktion der Gesundheitskosten bei gleich bleibendem oder verbessertem Qualitätsstandard, kommt um die quantitative Auswertung vorhandener Daten und individuelle Prognose mit modernsten Methoden nicht herum. Hier schlummert ein gewaltiges Potenzial! Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 37 Die Produkte und Leistungen < phi-t > finance < phi-t > assurance < phi-t > pharmacy < phi-t > medicine < phi-t > science < phi-t > data management < phi-t > data consult < phi-t > statistics training Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 38

20 Kontakt und Impressum Phi-T Physics Information Fon Technologies GmbH Fax Karlsruhe Karlsruher Str Geschäftsführer: Dipl. Phys. Jochen Bossert Dr. rer. nat. Dipl. Phys. Andreas Heiss Wissenschaftlicher Beirat: Prof. Dr. rer. nat. Michael Feindt HRB Karlsruhe Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 39 Kontakt und Impressum Phi-T Physics Information Fon Technologies GmbH Fax Karlsruhe Karlsruher Str Geschäftsführer: Dipl. Phys. Jochen Bossert Dr. rer. nat. Dipl. Phys. Andreas Heiss Wissenschaftlicher Beirat: Prof. Dr. rer. nat. Michael Feindt HRB Karlsruhe Prognoseverfahren für Disease Management Prof. Dr. Michael Feindt 40