A népesség statisztikai adatainak hasznosítása egészségi index becslésre gépi tanulás segítségével
Új kutatási eredmények a Tématerületi Kiválóság Programból, a Központi Statisztikai Hivatallal és a Torrens University-vel (Brisbane Ausztrália) együttműködésben
A rutinszerű lakossági statisztikai felmérésekből nagy számban állnak rendelkezésre értékes szocio-demográfiai adatok (pl. életkor, nem, lakóshely, iskolázottság). Az Eurostat alapvető egészségi állapot jellemzők gyűjtését is javasolja lakossági felmérésekben egy három kérdésből álló mérce, az ún. Minimum Európai Egészségmodul (MEHM) alkalmazásával. Az új innovatív orvostechnikai eszközök és egészségügyi technológiák által elérhető egészség-javulás kimutatásához szükséges életminőség adatok azonban többnyire hiányoznak.
Prof. Péntek Márta és egyetemünk distinguished professzora Seyedali Mirjalili-(Torrens University, Brisbane, Australia) vezetésével, a Központi Statisztikai Hivatallal együttműködésben végzett kutatás célja annak vizsgálata volt, hogyan becsülhető a költség-hatékonysági elemzésekhez alapvető EQ-5D-5L egészségi (életminőség) index meglevő statisztikai adatokból?
Korábbi hazai lakossági kérdőíves felméréseinkből egy több mint kilencezer fős adatbázist hoztunk létre és 14 különböző gépi tanulási algoritmust hasonlítottunk össze, mennyire pontosan becsülhető meg az EQ-5D-5L index csak az alapvető szocio-demográfiai adatokból, illetve MEHM adatok hozzáadásával. Az eredmények szerint az AdaBoost modell nyújtotta a legjobb teljesítményt, különösen akkor, ha az adathiányokat nem pótlással, hanem a hiányos adattal rendelkező résztvevők adatainak törlésével kezeltük. Az algoritmikus torzítás annak ellenére megfigyelhető volt, hogy a legjobb modellt egy olyan mutató alapján (G-metrika) választottuk ki, amely a torzításmentes becsléseket részesíti előnyben. A súlyosabb egészségi állapotokban a modellek torzítása továbbra is kihívást jelent.
Kutatásunk rámutatott, hogy a meglevő statisztikai adatkincs hasznosítása a mesterséges intelligencia segítségével hatékony kiegészítő eszköz lehet az egészséggazdasági elemzésekhez szükséges EQ-5D-5L index adatok becslésében, amikor a közvetlen adatgyűjtés (mint arany standard) nem áll rendelkezésre.
Prof. Dr. Péntek Márta DSc
Óbudai Egyetem, a kutatás vezetője
Publikáció: Áron Hölgyesi, Zsombor Zrubka, Mehdi Neshat, Viktor Jáger, Áron Kincses, Levente Kovács, László Gulácsi, Seyedali Mirjalili, Márta Péntek. Improving the value of population health data for health policy and decision-making using machine learning algorithms in EQ-5D-5L index estimation. Sci Rep 16, 4329 (2026). https://doi.org/10.1038/s41598-025-32123-6
Támogatás: A kutatás a Nemzeti Kutatási, Fejlesztési és Innovációs Alap (TKP2021-NKTA-36) „Innovatív és digitális egészségipari technológiák fejlesztése és értékelése - Digitális orvostechnikai eszközök értékelése: hatásosság, biztonságosság és társadalmi hasznosulás” támogatásával valósult meg az Óbudai Egyetemen.
Prof. Péntek Márta és egyetemünk distinguished professzora Seyedali Mirjalili-(Torrens University, Brisbane, Australia) vezetésével, a Központi Statisztikai Hivatallal együttműködésben végzett kutatás célja annak vizsgálata volt, hogyan becsülhető a költség-hatékonysági elemzésekhez alapvető EQ-5D-5L egészségi (életminőség) index meglevő statisztikai adatokból?
Korábbi hazai lakossági kérdőíves felméréseinkből egy több mint kilencezer fős adatbázist hoztunk létre és 14 különböző gépi tanulási algoritmust hasonlítottunk össze, mennyire pontosan becsülhető meg az EQ-5D-5L index csak az alapvető szocio-demográfiai adatokból, illetve MEHM adatok hozzáadásával. Az eredmények szerint az AdaBoost modell nyújtotta a legjobb teljesítményt, különösen akkor, ha az adathiányokat nem pótlással, hanem a hiányos adattal rendelkező résztvevők adatainak törlésével kezeltük. Az algoritmikus torzítás annak ellenére megfigyelhető volt, hogy a legjobb modellt egy olyan mutató alapján (G-metrika) választottuk ki, amely a torzításmentes becsléseket részesíti előnyben. A súlyosabb egészségi állapotokban a modellek torzítása továbbra is kihívást jelent.
Kutatásunk rámutatott, hogy a meglevő statisztikai adatkincs hasznosítása a mesterséges intelligencia segítségével hatékony kiegészítő eszköz lehet az egészséggazdasági elemzésekhez szükséges EQ-5D-5L index adatok becslésében, amikor a közvetlen adatgyűjtés (mint arany standard) nem áll rendelkezésre.
Prof. Dr. Péntek Márta DSc
Óbudai Egyetem, a kutatás vezetője
Publikáció: Áron Hölgyesi, Zsombor Zrubka, Mehdi Neshat, Viktor Jáger, Áron Kincses, Levente Kovács, László Gulácsi, Seyedali Mirjalili, Márta Péntek. Improving the value of population health data for health policy and decision-making using machine learning algorithms in EQ-5D-5L index estimation. Sci Rep 16, 4329 (2026). https://doi.org/10.1038/s41598-025-32123-6
Támogatás: A kutatás a Nemzeti Kutatási, Fejlesztési és Innovációs Alap (TKP2021-NKTA-36) „Innovatív és digitális egészségipari technológiák fejlesztése és értékelése - Digitális orvostechnikai eszközök értékelése: hatásosság, biztonságosság és társadalmi hasznosulás” támogatásával valósult meg az Óbudai Egyetemen.
