Entscheidungsbäume sind die wohl wichtigste Darstellungsform von medizinischem Wissen, wenn es darum geht, aus verschiedenen qualitativen und quantitativen Angaben wie etwa Tumorstadium, Mutationsstatus und Biomarkerkonzentrationen onkologische Diagnosen, Prognosen oder Therapieempfehlungen abzuleiten. Kaum eine Leitlinie verzichtet auf diese als Algorithmen bekannten Grafiken, um komplexe Entscheidungswege zu visualisieren und nachvollziehbar zu machen.
Die Entwicklung solcher Entscheidungsbäume ist in der Regel ein aufwendiger Prozess, der eine evidenzbasierte Analyse der verfügbaren Studien, eine interdisziplinäre Expertenkonsultation (z. B. Konsensuskonferenzen und Delphi-Methoden) sowie schließlich eine strukturierte Darstellung der Entscheidungswege umfasst. In diesem Beitrag wollen wir erläutern, wie man es mit ML-Techniken schafft, in Sekunden einen plausiblen Vorschlag für einen solchen Entscheidungsbaum zu erstellen. Abb. 1 stellt eine typische Grafik zur Klassifizierung von zwei Tumortypen mithilfe von Serumtumormarkern dar.
