White Paper

White Paper: “Von Korrelation über Kausalität zur künstlichen Intelligenz”

Korrelation ist nicht gleich Kausalität. Und leider lassen sich Ursache und Wirkung nicht anhand von Beobachtungsdaten nachweisen – doch wir können wichtige Hinweise auf kausale Zusammenhänge gewinnen. Lesen Sie, wie eine intensive, algorithmische Suche nach alternativen Erklärungen eine kleine Gruppe direkter und potenziell kausaler Faktoren zu Tage bringt. Wir zeigen ein Beispiel, bei dem wir depressive Episoden vorhersagen und dabei Wirkungen und Nebenwirkungen bestimmter Medikamentengruppen offenlegen und wie diese auf verschiedene Patientengruppen wirken. So wird Kausalität eine wichtige Säule für zukünftige KI Systeme – nicht nur im Gesundheitswesen.

White Paper: “Von Beobachtungsdaten zu Causal Discovery”

Wie kommt man von „Big Data“ zu wertvollen Einsichten? Dieses White Paper erklärt beispielhaft den Unterschied zwischen Beobachtungsdaten und Daten, die unter experimentellen Bedingungen erhoben werden – und wirft einen Blick auf die Herausforderungen, die reine Beobachtungsdaten mit sich bringen. Erfahren Sie, was notwendig ist, um potenzielle Ursache-Wirkungs-Zusammenhänge aus solchen Daten zu ermitteln, und welchen Beitrag Xplain Data leistet, um große Mengen komplexer Beobachtungsdaten – sogenannte „Big Data“ – sinnvoll und intelligent zu nutzen.

White Paper: “From Relational Tables to ObjectAnalytics” (engl.)

Relationale Datenbanken sind ein Schlüsselelement in der heutigen Welt der Daten. Sie sind eine perfekte Lösung für das, wofür sie geschaffen wurden: die transaktionale Verwaltung von Daten. Dort wird das Objekt (z. B. “Der Patient”) in verschiedene Entitäten aufgeteilt und in verschiedenen Tabellen gespeichert. Das macht es schwierig, das Objekt “als Ganzes” zu analysieren. Und genau das ermöglicht ObjectAnalytics – es ist deshalb die beste Lösung für “holistische Analysen”. Dieses White Paper erläutert unser patentiertes “ObjectAnalytics”-Paradigma und die typischen analytischen Verfahren für ganze Objekte, die es unterstützt.

Vision Paper: “Das Potential von Causal Discovery für die Medizin der Zukunft“

Wer es versteht, aus Daten Wissen zu generieren, wird die Zukunft der Medizin gestalten. In diesem Vision Paper wird untersucht, wie die Zukunft des Gesundheitswesens durch die Erfassung und gemeinsame Nutzung von Patientendaten (Real World Data) in großem Maßstab gestaltet und verbessert, und durch die Anwendung bahnbrechender Causal AI-Verfahren aus diesen Daten wertvolles Wissen gewonnen werden kann (Real World Evidence). Das Paper erläutert, warum eine dreidimensionale Sicht auf diese Daten entscheidend ist, um Einblicke in kausale Ketten zu gewinnen, die zu Krankheit, Genesung oder anderen Effekten führen.