Összefoglaló

A döntéshozóknak pontos információkra van szükségük a lakosság életminőségéről ahhoz, hogy hatékony egészségügyi programokat dolgozhassanak ki. Azonban az erre szolgáló részletes kérdőívek (például az EQ-5D-5L) adatai gyakran hiányoznak, mert ezeket drága és bonyolult mindenkitől közvetlenül begyűjteni.

A kutatók 14 különböző mesterséges intelligencia (MI) algoritmust hasonlítottak össze, hogy kiderítsék: megjósolható-e az emberek életminősége egyszerűbb, már meglévő statisztikai adatokból (például életkor, nem, iskolázottság és alapvető egészségi kérdések). A modellek tanításához több mint 9000 ember adatait használták fel hét nagy felmérésből.

A vizsgálat során az AdaBoost nevű modell bizonyult a leghatékonyabbnak, amely nagy pontossággal becsülte meg az életminőség értékeket. A kutatás egyik kulcsfontosságú megállapítása, hogy az Európai Unióban szabványos egészségügyi alapmodul (MEHM) hozzáadása az alapvető demográfiai változókhoz jelentősen javította a becslések torzításmentességét, méltányosságát és pontosságát.

Ez a felfedezés tudományos szempontból áttörést jelent, mert lehetővé teszi, hogy a szakemberek meglévő statisztikai adatokból is értékes életminőség adatokat nyerjenek ki. Gyakorlati haszna, hogy segíti a jobb egészségügyi döntések meghozatalát és a források igazságosabb elosztását olyankor is, amikor nincs lehetőség új, költséges adatgyűjtésre.

Kulcsszavak mesterséges intelligencia, életminőség, egészségügyi statisztika, algoritmus, adatfelhasználás, népegészségügy, okos döntések.

További részletek

Hölgyesi, Áron, Zsombor Zrubka, Mehdi Neshat, Viktor Jáger, Áron Kincses, Levente Kovács, László Gulácsi, Seyedali Mirjalili, and Márta Péntek. 2026. „Improving the value of population health data for health policy and decision-making using machine learning algorithms in EQ-5D-5L index estimation.” Scientific Reports 16, no. 4329. https://doi.org/10.1038/s41598-025-32123-6

Abstract This study aimed to estimate patient-level EQ-5D-5L index scores using routinely collected sociodemographic and Minimum European Health Module (MEHM) data from seven extensive population surveys (N = 9,324). Fourteen machine learning (ML) models were compared in five research scenarios using the recently developed G score. Based on the performance ranking shown across scenarios, AdaBoost emerged as the best model (mean rank 2.87), followed by Multilayer Perceptron (MLP) and XGBoost (mean ranks 2.94 and 3.60, respectively). AdaBoost achieved the best results when no imputation was done and both sociodemographic and MEHM data were included (G = 0.955), but its performance declined when the estimation was based solely on sociodemographics (G = 0.871). The results confirm that the EQ-5D-5L index can be well predicted from existing statistical data using ML methods and that the MEHM improves the estimation. Our findings also highlight the potentially undesirable effects of data imputation in ML-based estimations. The methods presented in this study enhance the usability of existing health data, giving analysts and decision-makers a practical way to populate health-economic evaluations when primary data collection is impractical or impossible. Nonetheless, even advanced ML algorithms have limitations, so direct EQ-5D-5L data collection should remain the preferred approach whenever feasible.

Keywords Minimum European Health Module, EQ-5D-5L, General population, Machine learning, Artificial intelligence

Az eredeti közlemény elérhető az alábbi linkre kattintva: https://doi.org/10.1038/s41598-025-32123-6