Datensätze

Alle Module nutzen denselben synthetischen Kohortendatensatz. So bleiben die Beispiele klinisch nachvollziehbar, reproduzierbar und ohne Datenschutzproblem.

Wichtig: Die Daten sind vollständig fiktiv. Sie enthalten keine realen Patientendaten. Erzeugt mit festem Seed (42) durch generate_data.py.

Erzeugen

./.venv/bin/python data/generate_data.py

Erzeugt zehn Dateien: vier Kern-Datensätze (kohorte.csv, vitalwerte.csv, labor.csv, notizen.csv), vier Begleitdateien für Modul 04 (kohorte_de.csv, einschluss.xlsx, beispiel.json, fhir_bundle.json), bga_ph_wahrheit.csv (Ground Truth für Modul 14, s. u.) und konkurrenz_risiken.csv (konkurrierende Risiken + zeitvariante Exposition für Modul 20, s. u.).

kohorte.csv, eine Zeile je Patient:in

verstorben_30d ist keine eigenständige Ziehung, sondern folgt zwangsläufig aus status und fu_zeit_tage (verstorben_30d = 1, wenn status == 1 und fu_zeit_tage <= 30). Klassifikations- und Survival-Module sind damit per Konstruktion konsistent: Module 12, 16, 23–27 nutzen verstorben_30d, Module 17/28/20 nutzen fu_zeit_tage/status.

vitalwerte.csv, long format (mehrere Messungen je Patient:in)

patient_id, tag (0–3), herzfrequenz, map_mmhg, temperatur_c, spo2_prozent. Für Joins (Modul 06) und Verlaufsgrafiken (Modul 08).

labor.csv, wide format

patient_id, leukozyten_g_l, haemoglobin_g_dl, kreatinin_mg_dl, laktat_mmol_l (MAR nach Kovariate, ~17 % fehlend), natrium_mmol_l, bga_ph (arterieller pH, MAR nach Outcome, ~20 % fehlend). Die beiden Missingness-Mechanismen sind unten ausführlich beschrieben.

notizen.csv, klinischer Freitext (für NLP, Teil 5)

patient_id, notiz (kurze deutsche Aufnahme-Notiz, 2-3 Sätze), verschlechterung (0/1). Das Label ist im Text schwach kodiert (z. B. „zunehmende Dyspnoe", „Laktat steigend") und korreliert mit SOFA-Score und Outcome — echtes, aber nicht triviales Signal für Textklassifikation (Modul 31).

Begleitdateien für Modul 04 (Datenimport-Formate)

Eingebaute Lernanlässe

• Fehlende Werte: bmi/gewicht_kg (~6 %, MCAR) → Modul 06. laktat_mmol_l (~17 %, MAR nach sofa_score) und bga_ph (~20 %, MAR nach verstorben_30d) → Module 06 und 14. Zwei Mechanismen, entgegengesetzte Konsequenzen für Complete-Case-Analysen (s. u.).
• Uneinheitliche Kategorien: geschlecht enthält teils w → Vereinheitlichen in Modul 06.
• Bekannte „Wahrheit": Mortalität und Überlebenszeit folgen einem einzigen Weibull-Ereigniszeitprozess (s. u.), sodass Regressions- (Modul 12) und Survival-Schätzungen (Modul 17/28) gegen die echten Effekte geprüft werden können.

Die wahre DAG (kausale Struktur)

Für die Kausalitätsmodule (10, 13, 29) ist die zugrunde liegende DAG bewusst so gebaut, dass sofa_score ein Mediator, kein Confounder ist:

alter ─────────────┬──────────────────────► Tod (fu_zeit_tage/status)
                    │                              ▲
diabetes ───────────┼──► sofa_score ────────────────┤
                    │        ▲                      │
aufnahmegrund=Sepsis┴────────┘                      │
                    │                                │
raucherstatus=aktiv ┘                                │
crp_mg_l ─────────────────────────────────────────────┘

• alter ist ein Confounder: Es beeinflusst sowohl das Risiko (über Komorbidität) als auch direkt den Tod — bei der Schätzung von Gesamteffekten muss dafür adjustiert werden.
• sofa_score liegt auf dem kausalen Pfad von diabetes und aufnahmegrund == "Sepsis" zu Tod (Diabetes/Sepsis erhöhen den SOFA-Score, der wiederum die Hazard erhöht). sofa_score ist damit ein Mediator: Wird bei der Schätzung des totalen Effekts von Diabetes oder Sepsis auf die Mortalität für sofa_score adjustiert, wird der (über SOFA vermittelte) Teil des Effekts fälschlich wegkontrolliert ("overadjustment"/Mediator-Bias). Für die direkte Effektzerlegung (Mediationsanalyse) ist die Adjustierung dagegen gewollt. Module 12, 15 und 19 nutzen genau diese Unterscheidung.

Der wahre Survival-/Mortalitätsprozess (ground truth)

generate_cohort() in generate_data.py simuliert einen kohärenten Weibull-Ereigniszeitprozess (Shape k = 1.3), der sowohl fu_zeit_tage/status als auch verstorben_30d erzeugt:

eta = -1.95 + 0.045*(alter-64) + 0.28*sofa_score + 0.0035*crp_mg_l
            + 0.45*diabetes + 0.6*(aufnahmegrund=="Sepsis") + 0.4*(raucherstatus=="aktiv")
scale_i     = 115.0 * exp(-eta/1.3)
T_event_i   = scale_i * (-ln(U))**(1/1.3),           U ~ Uniform(0,1)
C_lost_i    = Uniform(3, 40) für ~15 % der Patient:innen, sonst unzensiert
fu_zeit_tage = round(min(T_event_i, C_lost_i, 30))    (administrative Zensierung bei 30 Tagen)
status       = 1, wenn T_event_i <= min(C_lost_i, 30), sonst 0
verstorben_30d = 1, wenn status==1 und fu_zeit_tage<=30

Höhere eta → kürzere Skala → kürzere Zeit bis Ereignis → höhere Hazard. Die Koeffizienten (0.045 Alter, 0.28 SOFA, 0.0035 CRP, 0.45 Diabetes, 0.6 Sepsis, 0.4 aktives Rauchen) sind die Ground-Truth-Effekte, gegen die Modul 12 (Regression) und Modul 17/28 (Survival) Schätzungen prüfen können. Erwartete Hazard-Ratio-Richtung: alle > 1 (höheres Risiko).

Aktuelle Kennzahlen (Seed 42, N=500): 30-Tage-Mortalität ≈ 15.6 % (78 Ereignisse), Median fu_zeit_tage = 30 Tage, Zensierung ≈ 84 % (die meisten Patient:innen überleben die 30-Tage-Grenze und werden administrativ zensiert — bei ~16 % Mortalität ist das die erwartete Mehrheit). Cox-Hazard-Ratios auf fu_zeit_tage/status: Sepsis ≈ 1.6, Alter ≈ 1.04 (pro Jahr), SOFA ≈ 1.4 — alle in der klinisch erwarteten Richtung (> 1). Diese Zahlen sind reproduzierbar (Seed 42) und dienen als Referenz für Modul-Übungen; kleine Abweichungen durch Paket-/Versionsupdates sind möglich, die Größenordnung und Richtung bleiben stabil.

Zwei Missingness-Mechanismen, zwei verschiedene Lehren

labor.csv trägt bewusst zwei unterschiedliche MAR-Mechanismen. Sie sehen gleich aus („MAR“) und haben entgegengesetzte Konsequenzen. Modul 14 lebt von diesem Kontrast.

laktat_mmol_l — Fehlen hängt von einer Kovariate ab

Anders als bmi/gewicht_kg (rein zufällig fehlend, MCAR) hängt die Missingness von laktat_mmol_l vom (beobachteten) sofa_score ab: schwerer kranke Patient:innen bekommen klinisch häufiger eine Blutgasanalyse mit Laktat, also weniger fehlende Werte bei hohem SOFA:

p_missing_i = sigmoid(-0.3 - 0.35 * sofa_score_i)

Eine logistische Regression ist_fehlend ~ sofa_score liefert einen klar negativen, hochsignifikanten Koeffizienten (aktuell ≈ -0.27, p < 0.0001), während alter unauffällig bleibt. Gesamt-Missingness ≈ 17 % (86 von 500).

Konsequenz: Weil sofa_score in den Analysemodellen der Module 12/14/23 enthalten ist, sind Complete-Case-Regressionskoeffizienten auf laktat_mmol_l unverzerrt. Verzerrt ist nur der marginale Mittelwert (die Table 1), weil die beobachteten Werte die Schwerkranken überrepräsentieren. „MAR“ allein sagt nicht, ob Complete Case verzerrt — entscheidend ist, ob die Variable, von der das Fehlen abhängt, im Modell steht.

bga_ph — Fehlen hängt vom Outcome ab

bga_ph_i     = 7.40 - 0.006*sofa_score_i - 0.024*verstorben_30d_i + N(0, 0.05)
p_missing_i  = sigmoid(-1.7 + 1.4 * verstorben_30d_i)

Die Konstanten stehen in lib/ground_truth.py (BGA_*) und werden von generate_data.py importiert — eine einzige Quelle der Wahrheit für den Generator und den Monte-Carlo-Prüfstand aus Modul 14.

Klinisch: die Kontroll-BGA am Folgetag wurde bei früh Verstorbenen nie abgenommen. Der pH fehlt bei 41,0 % der Verstorbenen und 15,9 % der Überlebenden (gesamt ≈ 19,8 %, 99 von 500).

Zur Wahl von -0.024: Mit dem ursprünglichen -0.014 lag der Effekt schon auf den vollständigen Daten bei p = 0,046. Jede Imputationsmethode „verlor" dann die Signifikanz, und Modul 14 hätte gelehrt, multiple Imputation versage — obwohl der Effekt nur zu schwach war, um 99 fehlende Werte zu überleben. Bei -0.024 beträgt die wahre Odds Ratio 2,76 je 0,1 pH-Abfall, was Azidose bei kritisch Kranken tatsächlich leistet, und der Kontrast wird lehrbar.

Konsequenz: Die Selektion erfolgt nach Y, nicht nach X. In einem logistischen Modell verschiebt das nur den Intercept, nicht die Steigungen (Prentice & Pyke 1979). Complete Case liefert deshalb ein praktisch unverzerrtes Odds Ratio (2,67 gegen wahre 2,76 je 0,1 pH-Abfall) und ein um 28 % zu niedriges absolutes Risiko. Die scheinbare Mortalität der vollständigen Fälle fällt von 15,6 % auf 11,5 %.

Multiple Imputation repariert beides — aber nur, wenn das Outcome im Imputationsmodell steht. Lässt man es weg, bricht stattdessen das Odds Ratio (1,80 statt 2,76). Der Mechanismus hängt ausschließlich von beobachteten Daten ab, ist also MAR und nicht MNAR.

Beide Mechanismen sind seed-fest (bga_ph nutzt einen eigenen RNG-Strom, SEED + 1, sodass die übrigen Spalten unverändert bleiben).

Nebenwirkung, die Modul 06 nutzt: Nach dem Join von kohorte.csv und labor.csv löscht ein nacktes dropna() jetzt 192 von 500 Zeilen (38,4 %) — obwohl keine einzelne Spalte mehr als 20 % vermisst. Die Verluste addieren sich.

bga_ph_wahrheit.csv — die Wahrheit hinter dem pH

Eine neunte Datei, die es in echten Daten nie gäbe: patient_id, bga_ph_wahr — die pH-Werte vor dem Anwenden der Missingness. Nur Modul 14 lädt sie, um Verzerrung zu zeigen statt zu behaupten. labor.csv bleibt bewusst ein realistischer Laborexport ohne Lösungsschlüssel.

Konkurrierende Risiken + zeitvariante Exposition (konkurrenz_risiken.csv, Modul 20)

Eine zehnte Datei mit einer kohärent erzeugten 3-Zustands-Ereignisvariable plus einer zeitvarianten Vasopressor-Exposition. Spalten: patient_id, event_time, event_state (0 = zensiert an Tag 30, 1 = Tod, 2 = Entlassung), vasopressor_start_tag (Tag, an dem die Exposition beginnt, sonst leer).

Warum eine eigene Datei? Modul 20 braucht eine echte Entlassungs-Ereigniszeit als Konkurrenzereignis zum Tod. verweildauer_tage in kohorte.csv ist rein deskriptiv (aus einem nur locker gekoppelten Teil des Generators) und darf nicht als Entlassungszeit missbraucht werden: Sie ist von der Weibull-Todes-/ Zensierungs-Uhr entkoppelt und würde ein degeneriertes Risikoset (naives 1-KM → 100 %) erzeugen. Die neue Datei löst das mit einem statistisch stimmigen Prozess.

Der wahre Konkurrenzrisiko-Prozess (ground truth)

# Tod: exakt das beobachtete Kohortenereignis (status == 1) am Tag fu_zeit_tage.
#      Wer im Krankenhaus stirbt, wird nie entlassen -> die wahre CIF des Todes
#      entspricht exakt der 30-Tage-Mortalität (~15,6 %).

# Entlassung: für alle Überlebenden (status == 0) ein echtes Konkurrenzereignis
#             auf derselben Tagesachse:
mean_i      = 15.0 + 1.4 * sofa_score_i          # steigt mit Schweregrad
D_i         ~ Gamma(shape = 2.1, mean = mean_i)  # Entlassungs-Hazard FÄLLT mit SOFA
event_state = 2 (Entlassung), wenn D_i < min(fu_zeit_tage_i, 30), sonst
              0 (administrativ zensiert an Tag 30)

Die Entlassungs-Hazard sinkt mit dem Schweregrad (Kränkere bleiben länger). Genau das macht im Fine-Gray-Modell die Subdistribution-HR für SOFA (≈ 1,51) größer als die ursachenspezifische HR (≈ 1,40): höhere SOFA-Werte senken zusätzlich die Entlassungschance und halten Patient:innen länger im Risikoset für den Tod — ein Kanal, den Cause-Specific-Hazards ignorieren. Es gibt keine harte Obergrenze bei Tag 20: D_i kann bis Tag 30 (und darüber) fallen, die administrative Zensierung bei Tag 30 bleibt erhalten.

Die zeitvariante Vasopressor-Exposition

p_treat_i   = clip(0.15 + 0.035 * sofa_score_i, 0.05, 0.85)   # P(je exponiert)
ever_i      ~ Bernoulli(p_treat_i)
start_tag_i = floor(Exp(mean = clip(6 - 0.25*sofa, 1, 6))) + 1 # früher bei hohem SOFA

Exposition und Startzeitpunkt hängen vom Baseline-SOFA, aber nicht vom Outcome ab, sodass Tod in beiden Gruppen auftritt und das zeitabhängige Cox-Modell ohne komplette Separation konvergiert. vasopressor_start_tag ist gesetzt, wenn ever_i == 1 und start_tag_i < event_time_i, sonst leer. Weil Python und R dieselbe Spalte lesen, berechnen beide Sprachen identische HRs.

Aktuelle Kennzahlen (Seed 42, N=500): Zustände Tod/Entlassung/zensiert = 78/315/107. Wahre CIF des Todes an Tag 30 ≈ 15,6 %, naives 1-KM (Entlassung als Zensierung) ≈ 27,7 % — sichtbar überschätzt, aber begrenzt (Risikoset an Tag 30 ≈ 90, kein Kollaps). Cause-specific Cox: Alter 1,04, SOFA 1,40, Diabetes 0,99; Fine-Gray SHR: Alter 1,04, SOFA 1,51, Diabetes 0,94. Zeitvarianter Vasopressor: naiv-zeitfix HR 0,73 (Immortal Time Bias), korrekt zeitvariant HR 0,95.

Beide Prozesse sind seed-fest und nutzen eigene RNG-Ströme (SEED + 2 für die Entlassungszeit, SEED + 3 für die Exposition), sodass die übrigen Datensätze unverändert bleiben (kohorte.csv, labor.csv, vitalwerte.csv, notizen.csv, bga_ph_wahrheit.csv bleiben byte-identisch).

Klinische Notizen: synthetisch, mit fixem (aber angereichertem) Vokabular

notizen.csv wird aus einem festen Satz von Bausteinen zusammengesetzt: 6–8 Befund-Phrasen je aufnahmegrund, 8–10 Verschlechterungs- bzw. Stabilitäts-Phrasen, ~22 % bewusst falsch-vorzeichenbehaftete oder mehrdeutige Formulierungen als Rauschen, 2–3 Sätze mit variabler Eröffnung. Das hält die Textklassifikation (Modul 31, TF-IDF + LogReg, 5-fach CV) nicht-trivial (aktuelle AUC ≈ 0.82, Ziel-Korridor 0.72–0.82) und sorgt dafür, dass die Top-Token nicht drei identische Fragmente derselben drei Sätze sind. Wichtiger Ehrlichkeits-Hinweis: Weil das Vokabular synthetisch und fix ist (Wörterbuch bekannter Phrasen statt echter klinischer Sprachvielfalt), überschätzt diese demonstrierte AUC systematisch die tatsächlich zu erwartende Performance auf echten, unstrukturierten klinischen Freitexten — echte Notizen sind lexikalisch weit vielfältiger, fehlerbehafteter und domänenspezifischer.

Reale offene Datensätze (zum Weiterlernen, nicht Teil des Kurses)

Kein Modul verwendet diese Datensätze — der gesamte Kurs läuft mit den synthetischen Daten oben. Für alle, die nach dem Kurs an echten Daten üben wollen, als Ausblick:

• NHANES (US-Gesundheitssurvey, frei), https://www.cdc.gov/nchs/nhanes/, in R bequem über das CRAN-Paket nhanesA; in Python lädt man die SAS-Dateien direkt von der CDC-Seite (pandas.read_sas).
• MIMIC-IV Clinical Database Demo (100 Intensiv-Aufenthalte, frei nach kurzer Anmeldung), https://physionet.org/content/mimic-iv-demo/.
• MIMIC-IV (Vollzugang), credentialed, erfordert CITI-Schulung; nur als Ausblick.