Wenn Sie schon länger Sprudge-Leser sind, haben Sie sicher schon mehrere Artikel darüber gelesen, wie Kaffee sich möglicherweise positiv auf bestimmte Aspekte Ihrer Gesundheit auswirkt. Die Artikel gehen im Allgemeinen so: „Eine Studie hat ergeben, dass Kaffeetrinken mit einer um X % geringeren Anzahl von [gesundheitlichen Problemen] verbunden ist“, kurz darauf folgt „die Studie ist eine Beobachtungsstudie und kann keinen Kausalzusammenhang beweisen.“
Kurz und neue Studie begann American Heart AssociationTagebuch Durchblutung: Herzinsuffizienzfanden Forscher einen Zusammenhang zwischen dem Trinken von drei oder mehr Tassen Kaffee pro Tag und einem verringerten Risiko für Herzversagen. Doch diese Beobachtungsstudie ist anders. Sie nutzte maschinelles Lernen, um zu ihrer Schlussfolgerung zu gelangen, und könnte den Nutzen dieser Art von Studien in Zukunft erheblich verändern.
Wie durch die berichtete New York Times, die neue Studie ist nicht wirklich neu. Unter der Leitung von David Kao, einem Kardiologen an der University of Colorado School of Medicine, untersuchten die Forscher die Framingham Herzstudie (FHS), „eine langfristige, laufende kardiovaskuläre Kohortenstudie mit Einwohnern der Stadt Framingham, Massachusetts“, das 1948 begann und auf über 14,000 Teilnehmer angewachsen ist.
Während die meisten Forschungsarbeiten mit einer Hypothese beginnen, die dann zu beweisen oder zu widerlegen ist, was dazu führen kann, dass durch die Art der Variablen, die die Forscher in ihre Datenanalyse einschließen oder ausschließen, falsche Zusammenhänge hergestellt werden, gingen Kao et al. das FHS ohne beabsichtigtes Ergebnis an. Stattdessen nutzten sie „eine leistungsstarke und zunehmend beliebte Datenanalysetechnik namens maschinelles Lernen“, um mögliche Zusammenhänge zwischen den im FHS erfassten Patientenmerkmalen und der Wahrscheinlichkeit einer Herzinsuffizienz der Teilnehmer zu finden.
Maschinelles Lernen kann in kurzer Zeit riesige Datenmengen analysieren und ist so programmiert, dass es mit Unsicherheiten in den Daten umgeht, etwa ob eine Tasse Kaffee 170 ml oder 220 ml enthält. So kann das maschinelle Lernen ermitteln und bewerten, welche Variablen am stärksten mit Herzinsuffizienz in Zusammenhang stehen. Dadurch erhalten selbst Beobachtungsstudien mehr Aussagekraft in ihren Ergebnissen. Und tatsächlich, als die Ergebnisse der maschinellen Lernanalyse des FHS mit zwei anderen bekannten Studien verglichen wurden, Kardiovaskuläre Herzstudie (CHS) und die Arterioskleroserisiko in Gemeinden Studie (ARIC) konnte der Algorithmus „den Zusammenhang zwischen Kaffeekonsum und Herzversagen korrekt vorhersagen“.
Aber natürlich gibt es auch Einschränkungen. Algorithmen für maschinelles Lernen sind nur so gut wie die Daten, mit denen sie gefüttert werden. Ist der Umfang zu eng gefasst, lassen sich die Ergebnisse möglicherweise nicht auf breitere Bereiche übertragen und ihr Nutzen für die Vorhersage in der realen Welt nimmt deutlich ab. Die New York Times nennt Gesichtserkennungssoftware als Beispiel: „Die Algorithmen, die hauptsächlich an weißen Männern trainiert wurden, waren bei der Erkennung von Frauen und farbigen Menschen viel ungenauer.“
Dennoch ist die neue Studie vielversprechend, nicht nur im Hinblick auf die gesundheitlichen Vorteile, die der Algorithmus aufgedeckt hat, sondern auch im Hinblick auf die Art und Weise, wie wir diese Art analysegesteuerter Forschung durchführen und interpretieren.
Zac Cadwalader ist geschäftsführender Redakteur bei Sprudge Media Network und angestellter Autor mit Sitz in Dallas. Lesen Sie mehr über Zac Cadwalader auf Sprudge.
