30. Juli 2026 | News | Publikation

Sterblichkeitsprognosen auf individueller Ebene: Statistische Modelle vs. maschinelles Lernen

MPIDR-Studie untersucht, ob maschinelles Lernen (ML) die Prognosen zur Lebensspanne auf individueller Ebene verbessern könnte

Forschende haben untersucht, ob traditionelle statistische Modelle und Modelle des maschinellen Lernens bei der Vorhersage der Lebensspanne auf individueller Ebene ein ähnlich hohes Maß an Genauigkeit erreichen können. Insgesamt zeigen die Ergebnisse, dass maschinelles Lernen die Sterblichkeitsprognosen im Vergleich zu herkömmlichen Methoden nicht signifikant verbessert.

Forschende haben untersucht, ob Machine-Learning-Modelle bei der Vorhersage der Lebensspanne auf individueller Ebene die Genauigkeit verbessern können. © istockphoto.com / mohd izzuan

Kann maschinelles Lernen dazu beitragen, Prognosen zur Lebensspanne auf individueller Ebene noch präziser zu gestalten? Mit dieser Frage setzten sich Wissenschaftler*innen im Rahmen der ersten Ausgabe des "Population and Social Data Science Summer Incubator Programms" am Max-Planck-Insitut für demografische Forschung (MPIDR) auseinander. Diese Forschungsfrage entstand aus Diskussionen zwischen den Mentor*innen und den Studierenden. „Wir haben uns eine Vielzahl von Fragen gestellt: Wie variiert die Genauigkeit von Lebensspannen-Prognosen zwischen verschiedenen sozioökonomischen Gruppen? Welche Variablen sind für eine genaue Vorhersage der Sterblichkeit am wichtigsten? Können Einzelpersonen ihre eigene Lebensspanne genauer vorhersagen als statistische und auf maschinellem Lernen basierende Überlebensmodelle?“, erklärte Ugofilippo Basellini, MPIDR-Forscher und Programm-Mentor.

Dieser Ansatz ist einer der ersten Versuche, Sterblichkeitsprognosen auf individueller Ebene unter Verwendung einer großen Anzahl statistischer Modelle und Kovariaten rigoros zu vergleichen. Insbesondere verglichen die Wissenschaftler*innen die Leistungsfähigkeit klassischer statistischer Modelle mit neueren Methoden des maschinellen Lernens. Sie verwendeten dafür Daten aus der US-amerikanischen „Health and Retirement Study“ (HRS 2022) und testeten zwölf statistische und maschinell lernende Modelle sowie mehr als 150 Prädiktoren.

Integrierter Brier-Score und mittlere Fläche unter der Kurve (AUC) mit 95-prozentigen Konfidenzintervallen, aufgeschlüsselt nach Geschlecht und ethnischer Zugehörigkeit sowie Bildungsstand. Die gestrichelten vertikalen Linien kennzeichnen den optimalen Brier-Score (0,00) und die AUC (1,00). Die mittlere AUC für die Kaplan-Meier-Kurve, die definitionsgemäß 0,5 beträgt, wurde nicht angegeben.

Die Ergebnisse zeigten, dass statistische und maschinell lernende Modelle eine vergleichbare Genauigkeit aufweisen und eine relativ hohe Unterscheidungskraft erreichen. „Allerdings können sie die Heterogenität der Lebensspanne auf individueller Ebene größtenteils nicht erklären“, sagte Maria Laura Miranda, eine am Programm teilnehmende Studentin, die anschließend für ihr Promotionsstudium zum MPIDR wechselte. „Es gibt beständige Ungleichheiten bei der Vorhersagbarkeit der Sterblichkeit und der Risikodiskriminierung, wobei die Genauigkeit bei Männern, nicht-hispanischen Schwarzen und Personen mit niedrigem Bildungsniveau geringer ist“, so Miranda.

Die Forschenden stellten eine ähnliche Leistungsfähigkeit bei traditionellen und maschinellen Lernmodellen fest. Zudem bestehen bei den Vorhersagen für bestimmte Bevölkerungsgruppen anhaltende Ungleichheiten, unabhängig vom verwendeten Modell. „Die Vorhersage der Sterblichkeit auf individueller Ebene ist schwierig, selbst für die fortschrittlichsten derzeit verfügbaren Modelle des maschinellen Lernens. Modelle des maschinellen Lernens verbessern die Genauigkeit der Sterblichkeitsvorhersage im Vergleich zu klassischen Methoden nicht wesentlich“, fassen die Forschenden zusammen. 

Original Publikation

Badolato, L., A. Decter-Frain, N.J. Irons; M.L. Miranda, E. Walk, E. Zhalieva, M. Alexander, U. Basellini, E. Zagheni (2026): "The Limits of Predicting Individual-Level Longevity: Insights From the U.S. Health and Retirement Study". Demography. DOI: 10.1215/00703370-12464628

Keywords

Sterblichkeitsprognose | Überlebensanalyse | Maschinelles Lernen | Ungleichheit