Zwar liefern Beobachtungsdaten keinen formalen Kausalitätsbeweis, doch umfassende Datensätze bringen Sie der tatsächlichen Ursache-Wirkungs-Erkenntnis sehr nahe. Je vollständiger die Datenbasis ist, desto leichter lassen sich echte kausale Zusammenhänge von bloßen Korrelationen unterscheiden. Dafür ist ein vielschichtiges Datenmodell erforderlich, das die reale Komplexität vollständig abbildet und dadurch echte kausale Treiber anstelle bloßer, meist irrelevanter Korrelationen sichtbar macht.

Genau hierfür haben wir unsere patentierte ObjectAnalytics-Datenbank™ entwickelt. Sie ermöglicht eine vollständig granulare und durchgängige Nutzung aller Daten, ohne dass eine vorherige Feature-Selektion erforderlich ist. Ob es sich um die Daten von Millionen von Patient:innen und vielen Millionen klinischer oder genomischer Ereignisse handelt oder um umfangreiche Produktionsdaten aus Sensoren, Prozessen und Maschinen: Unsere Causal-Discovery-Algorithmen analysieren konsequent den gesamten Datensatz und identifizieren sowohl direkte als auch indirekte Einflussfaktoren auf jedes Zielergebnis.