Ein synthetisches Datengenerierungssystem für Fragebögen zu myalgischer Enzephalomyelitis/chronischem Müdigkeitssyndrom

Jul 03, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 14256 (2023) Diesen Artikel zitieren

1 Altmetrisch

Details zu den Metriken

Künstliche Intelligenz oder auf maschinellem Lernen basierende Modelle haben sich in allen Bereichen der Gesundheitswissenschaften als nützlich erwiesen, um verschiedene Krankheiten besser zu verstehen. Für die myalgische Enzephalomyelitis oder das chronische Müdigkeitssyndrom (ME/CFS) gibt es keine objektiven diagnostischen Tests. Einige validierte Fragebögen werden zur Diagnose und Beurteilung des Krankheitsverlaufs verwendet. Die Verfügbarkeit einer ausreichend großen Datenbank dieser Fragebögen erleichtert die Erforschung neuer Modelle, die Profile vorhersagen können, die zum Verständnis der Ätiologie der Krankheit beitragen. Ein synthetischer Datengenerator stellt der wissenschaftlichen Gemeinschaft Datenbanken zur Verfügung, die die statistischen Eigenschaften des Originals ohne rechtliche Beschränkungen bewahren und für die Verwendung in Forschung und Lehre geeignet sind. Die ersten Datenbanken stammten von der Spezialeinheit des Vall Hebron Hospital in Barcelona, ​​Spanien. 2522 Patienten mit der Diagnose ME/CFS wurden analysiert. Ihre Antworten auf Fragebögen zu den Symptomen dieser komplexen Krankheit wurden als Trainingsdatensätze verwendet. Sie wurden mit Deep-Learning-Algorithmen gefüttert, die Modelle mit hoher Genauigkeit liefern [0,69–0,81]. Das endgültige Modell erfordert SF-36-Antworten und gibt Antworten aus HAD-, SCL-90R-, FIS8-, FIS40- und PSQI-Fragebögen zurück. Für Forschungs- und Bildungszwecke bei dieser Krankheit, für die es derzeit keine zugelassene Behandlung gibt, wird ein äußerst zuverlässiger und benutzerfreundlicher synthetischer Datengenerator angeboten.

Myalgische Enzephalomyelitis, allgemein als chronisches Müdigkeitssyndrom (ME/CFS) bezeichnet, ist eine schwere, komplexe und chronische Multisystemerkrankung unbekannter Ätiologie, die häufig durch eine anhaltende Virusinfektion ausgelöst wird (aus diesem Grund wird sie auch als postvirales Müdigkeitssyndrom bezeichnet). ). Von ME/CFS sind weltweit 17 bis 24 Millionen Menschen betroffen, und die Prävalenz wird sich voraussichtlich bis zum Jahr 2030 verdoppeln1. Es ist durch unerklärliche und anhaltende Müdigkeit nach Belastung gekennzeichnet, die durch Ruhe nicht gelindert wird. Sie wird durch körperliche und geistige Anstrengung und andere Kernsymptome wie kognitive, immunmetabolische, autonome und neuroendokrine Dysfunktion2 verschlimmert. Es führt bei den Patienten zu schweren Behinderungen, die ihre Arbeitstätigkeit und ihre täglichen Aufgaben erheblich beeinträchtigen3. Zusätzlich zur Müdigkeit weisen diese Patienten charakteristische entzündliche und muskuläre Symptome, Schlafstörungen und veränderte kognitive Funktionen auf4. Der symptomatische Muskel blockiert Symptome wie Schmerzen, allgemeine Muskelschwäche, Müdigkeit nach körperlicher Anstrengung, neurologische Symptome (sensorische Überempfindlichkeit, Ataxie, Dysmetrie, Sehstörungen und motorische Koordinationsstörungen), neurokognitive Symptome (Veränderungen des Gedächtnisses, der Konzentration, der Berechnung, der Aufgabenplanung). . Die autonome Blockade (kephale Instabilität, Schwindel, Ohnmachtsanfälle, übermäßiges Schwitzen, orthostatische Hypotonie, Zittern oder Veränderungen im Darmrhythmus), immuninflammatorische Symptome (leichtes Fieber, Halsschmerzen, wiederkehrende Krebsgeschwüre, Polyarthralgie, morgendliches Taubheitsgefühl, Infektionen wie Herpes). oder Candida) und Mangelerscheinungen bei der Produktion zellulärer Stoffwechselenergie. Schlafstörungen sind seit ihrer Beschreibung als klinische Entität relevant. In allen Versionen der verschiedenen ME/CFS-Diagnosekriterien haben Schlafstörungen eine Schlüsselrolle gespielt, insbesondere das Vorhandensein von nicht erholsamem Schlaf und die Bedeutung des Pittsburgh Sleep Quality Index (PSQI)-Fragebogens bei der Beurteilung der Schwere von Veränderungen der Schlafqualität und sein Zusammenhang mit Müdigkeit, Schmerzen, Psychopathologie und neurovegetativer Dysfunktion5. ME/CFS ist zusammen mit der symptomatischen Komplexität, die es aufgrund seiner multisystemischen Natur aufweist, mit verschiedenen komorbiden Phänomenen wie Fibromyalgie, Sicca-Syndrom, myofaszialen Syndromen, Psychopathologie, Bänderhyperlaxität, Fasziitis plantar, degenerativen Wirbelerkrankungen oder mechanischen Erkrankungen verbunden , Schultertendopathie, multiple chemische Empfindlichkeit, Epicondylitis, Karpaltunnelsyndrom, Osteoporose, Hypercholesterinämie, Hypertriglyceridämie, Gefäßrisiko, Endometriose, Thyreoiditis, mit einer höheren Prävalenz als bei Patienten, die nicht von ME/CFS6 betroffen sind.

Bei der Untersuchung von ME/CFS ist es nach der Diagnose und Beurteilung komorbider Phänomene wichtig, Müdigkeit, Lebensqualität oder Angst-/Depressionspsychopathologie mithilfe einer Reihe klinisch selbst ausgefüllter Fragebögen zu quantifizieren und zu bewerten. Heutzutage gibt es weltweit nur wenige auf ME/CFS spezialisierte Einheiten, mit einer relativ geringen Anzahl ordnungsgemäß dokumentierter Fälle und einem Mangel an öffentlich zugänglichen Daten im Vergleich zu anderen Erkrankungen. Darüber hinaus gibt es leider keine kommerziell erhältlichen Diagnosetests, keine spezifischen Laborbiomarker und keine gezielten, von der FDA zugelassenen Medikamente für ME/CFS7. Daher muss sich jeder Proband, bei dem ME/CFS diagnostiziert werden soll, einer Fukuda-Kriterienbewertung und einem Verfahren unterziehen, das jede Einheit anhand einer Reihe validierter, selbst auszufüllender Fragebögen festgelegt hat. Wie bereits erwähnt, ist es wichtig, die beeinträchtigende Wahrnehmung von Müdigkeit, Schlafstörungen und die gesundheitsbezogene Lebensqualität mithilfe selbst auszufüllender Fragebögen wie der Fatigue Impact Scale FIS408 und FIS89, PSQI10 und der Short Form Health Survey (SF-36) zu bewerten )11, Symptom-Checkliste-90-überarbeitet (SCL 90 R), psychologisches Inventar12, Krankenhausangst- und Depressionsskala (HAD)13. Laufende placebokontrollierte klinische Studien zur Bewertung des klinischen Nutzens von Arzneimitteln bei ME/CFS-Symptomen14 haben einige Fragebogenergebnisse vom Ausgangswert bis zur endgültigen Studie als primärem Endpunkt verändert.

Es besteht kein Konsens über die Anzahl und Art der durchzuführenden Fragebögen, daher erfassen nicht alle Einheiten die gleiche Anzahl pro Fach. Folglich ist es für ME/CFS-Abteilungen komplex, über viele Datensätze der Fragebögen zu verfügen, die für die effiziente Durchführung großer Längsschnitt- und Multicenterstudien an Patienten mit dieser Pathologie unter Verwendung der neuesten Fortschritte in der Datenanalyse, wie z. B. Techniken des maschinellen Lernens, erforderlich sind.

Maschinelles Lernen ist eine besondere Methode der Datenanalyse, die die Modellbildung im Zusammenhang mit der Entwicklung von Modellen automatisiert. In den letzten Jahren wurde die hervorragende Leistungsfähigkeit von durch maschinelles Lernen überwachten Algorithmen in mehreren klinischen Anwendungen15 zur Diagnose und Behandlung von Krankheiten nachgewiesen. Beim überwachten Lernen werden auf maschinellem Lernen basierende Algorithmen mithilfe gekennzeichneter Eingabedatensätze trainiert. Um jedoch effizient zu sein und optimale Ergebnisse zu erzielen, ist eine große Anzahl von Datensätzen erforderlich. Das Lernen erfolgt durch den Vergleich der Ergebnisse mit den erwarteten Ausgaben, um Fehler zu identifizieren und die Gewichtungen des Modells zu ändern, um daraus Erkenntnisse abzuleiten. Es gibt nur wenige Veröffentlichungen, und sie sind alle sehr aktuell, die sich auf die Anwendung verschiedener Techniken des maschinellen Lernens bei ME/CFS beziehen: Suche nach einem neuen Biomarker16, Clustering17 oder Entdeckung des Zusammenhangs zwischen Depression und ME/CFS18 mithilfe neuronaler Netze bei der Suche nach Omic Biomarker16 oder Klassifikatoren neuronaler Netze19. Obwohl sie alle wichtige Fortschritte beim Verständnis von ME/CSF machen, erschwert die begrenzte Stichprobengröße die Verallgemeinerung und Übertragung ihrer Ergebnisse auf die klinische Praxis oder andere Datensätze. Wenn es, wie bereits erwähnt, keine eindeutigen Biomarker gibt, um die Entwicklung der Krankheit zu verfolgen, wie etwa bei ME/CSF, werden Fragebögen zur Lebensqualität verwendet, um sie zu messen14. Es gibt verschiedene Untersuchungslinien, wie zum Beispiel Clustering20 oder die Suche nach Beziehungen zwischen Blutmessungen und Fragebogendaten21.

Daher besteht ein zunehmender Bedarf an Zugriff auf große Repositorien hochwertiger Gesundheitsdatensätze für bessere und zuverlässigere Vorhersagen von überwachten Algorithmen für maschinelles Lernen. Anonymisierte elektronische Gesundheitsakten werden von Versicherungen22 und klinischen Gruppen23 gekauft und verkauft. Sie sind jedoch in Größe oder Inhalt begrenzt, möglicherweise unvollständig und ihre Anwendungsmöglichkeiten sind möglicherweise eingeschränkt. Dieses Problem kann mithilfe synthetischer Datensätze aus Simulationen gelöst werden24,25. Es werden synthetische Datensätze generiert, um Daten zur Verbesserung der Stichprobengröße bestehender Kohorten oder zum Auffüllen fehlender Werte zu erstellen und so die Privatsphäre zu wahren und gleichzeitig die tatsächlichen Dateneigenschaften beizubehalten. Synthetische Datengeneratoren bewahren die statistischen Eigenschaften des Originals. Sie geben jedoch keine Informationen über reale Personen preis und bieten mehrere Vorteile, wie z. B. die Überwindung realer Datennutzungsbeschränkungen durch Datenaustausch und Patienteneinwilligung. Es besteht aus verschiedenen Gründen ein Bedarf an der Entwicklung synthetischer Datensätze, die reale Daten ergänzen würden26: einfacher Zugang, Kosteneffizienz, Testeffizienz, Schutz der Privatsphäre des Patienten, Vollständigkeit und Validierungsfähigkeiten, Umgang mit fehlenden Daten, komplexe Interaktionen zwischen Variablen usw Sensitivitätsanalysestatistiken der neuesten Klassifikatoren sowie grafische Modellierung und Resampling27. Eine häufige Anwendung der synthetischen Datengenerierung in der Medizin ist die Bilderzeugung zur Simulation von Krankheiten. Es hilft, die Leistung und Genauigkeit verschiedener Algorithmen zu testen und zu vergleichen. Einige neuere Anwendungen liegen in der Simulation von Hautläsionen28, Hirnatrophie bei Alterung oder Demenz29, der Erstellung von PET-MRT-Scans für die Alzheimer-Krankheit30, der Tumorentstehung im Gehirn31 oder Brustkrebs32.

Diese Arbeit zielt darauf ab, einen robusten und zuverlässigen synthetischen Datengenerator für ME/CFS-Fragebögen zu erstellen, um hochpräzise und risikofreie Gesundheitsakten zu erstellen, bestehende öffentliche und private ME/CFS-Datensätze für Untersuchungen und Bildungszwecke zu verbessern und frei von rechtlichen Hinweisen zu sein , Datenschutz, Sicherheit und Einschränkungen des geistigen Eigentums.

Diese prospektive Querschnittsstudie umfasst 2.522 mit ME/CFS diagnostizierte Probanden des Universitätskrankenhauses Vall d'Hebron, Barcelona, ​​Spanien, 90,5 % Frauen (Durchschnittsalter 48,11 ± 10,31 Jahre) und 9,5 % Männer (Durchschnittsalter 44,41 ± 11,35 Jahre). . Daten für die Fragebögen SF-36, HAD, FIS8, FIS40, SCL 90 R und PSQI wurden von 2008 bis 2021 erhoben und aufgezeichnet. Die endgültigen Aufzeichnungen finden Sie in Tabelle 1. Patienten waren zur Teilnahme berechtigt, wenn sie 18 Jahre alt waren, eine bestätigte Diagnose von ME/CFS hatten, die Kriterien von Fukuda33 und Carruthers34 erfüllten und eine unterzeichnete schriftliche Einverständniserklärung sowie die Genehmigung der Ethikkommission vorlegten. Die gesammelten Daten wurden in einer Datenbank anonymisiert, auf die nur die für die Studie vorgesehenen Personen Zugriff hatten, und es waren in keinem Fall Informationen bekannt, die die Identität des Teilnehmers offenbaren oder auf diese schließen ließen.

Mithilfe der Graphentheorie wurden die Beziehungen zwischen den Subskalen jedes Fragebogens analysiert. Ein Graph ist eine Ansammlung von Knoten (auch Eckpunkte genannt), die paarweise durch Kanten (ungerichtet) oder Bögen (gerichtet)35 verbunden sind. Die Diagrammstruktur ermöglicht es uns, das Muster der Interaktionen zwischen den Knoten (Einzelpersonen oder Entitäten) zu erfassen. Mithilfe der Graph- (oder Netzwerk-)Analyse werden Beziehungen zwischen Individuen untersucht, um Erkenntnisse über globale und lokale Strukturen zu gewinnen. Die Untersuchung von Strukturnetzwerken hilft bei der Entscheidung über die optimale Reihenfolge36.

In dieser Arbeit werden die Diagrammknoten als alle Unterskalen definiert, und die Kanten werden als mäßige oder starke Korrelationen zwischen Knoten (Unterskalen) definiert. Die lineare Korrelation zwischen zwei Subskalen wird durch \(corr\left(i,j\right)\) dargestellt, und die Pearson-Korrelation wird als moderat oder stark definiert, wenn \(corr\left(i,j\right)\ge 0,5\ ) 37 bei direkter Korrelation. Ein \(edge\left(i,j\right)\) ist definiert, wenn \(abs\left(corr\left(i,j\right)\right)\ge 0.5\).

Die Beziehung der Subskalen zwischen den einzelnen Tests ist in Tabelle 2 aufgeführt. Jede Subskala wurde entsprechend dem Bereich klassifiziert, für den sie definiert und als Thema benannt wurde. Achtunddreißig Subskalen, sechs Tests und zwölf Probanden bilden den Datensatz, um die Beziehung zwischen ihnen und dem Diagramm herzustellen.

Die Untersuchung der oben genannten Beziehungen sollte die Reihenfolge zur Generierung unserer Modelle für maschinelles Lernen aufzeigen. Der SF-36 ist weit verbreitet und wird in unserem Modell als Ausgangsdaten verwendet. Der Rest der Reihenfolge ergibt sich aus den Beziehungen zwischen den verschiedenen Tests, sodass diejenigen mit einem stärkeren Zusammenhang im Modell aufeinander folgen. Die Stärke der Beziehung wird anhand des Prozentsatzes der Verbindungen zwischen den Testknoten gemessen.

Zum Trainieren und Erstellen der Modelle sind reale Daten aller sechs Fragebögen erforderlich. Zunächst stellt eine Eingabematrix die validierten Antworten einer Reihe von Patienten dar, wobei n die Anzahl der validierten Antworten und f die Anzahl der Fragen ist. Das sind die ersten Trainingsdaten. Wie vorhergesagt, muss es ein zweiter Fragebogen sein, der die gleichen n- und f1-Fragen enthält. Das Modell muss eine vorhergesagte Matrix mit derselben Dimension generieren. Im nächsten Schritt wird als Eingabematrix die anfängliche Matrix mit der zuletzt vorhergesagten Matrix und der zweiten Fragebogen-Antwortmatrix zur Vorhersage verkettet, wie in Abb. 1 dargestellt.

Modellierungsschema. Als Eingabewert benötigt das Modell eine Fragebogen-Antwortmatrix. Das Ergebnis sind die anderen fünf Fragebögen. Jeder Fragebogen hat eine unterschiedliche Anzahl von Fragen und Subskalen. Eine einfache Summe der Anzahl der Fragen berechnet die meisten Unterskalen. Die SF-36-Eingabedimension ist beispielsweise n × 36, wobei n die Anzahl der Patienten ist, die den SF-36-Fragebogen beantwortet haben. Die Ausgabe ist n × 186, wobei 186 alle fünf Fragebogenantworten sind.

Es können Klassifizierungs- und Regressionsmodelle verwendet werden. Ziel ist es, 186 Ausgabedimensionen bereitzustellen, die Schritt für Schritt berechnet werden müssen. Die Ausgabe wird mit dem realen Datensatz verglichen, um das Modell zu validieren. Die Ergebnisse werden mit dem T-Student-Test validiert. Die Strategie besteht darin, einen Fragebogen zu validieren. Der nächste Schritt besteht darin, die Fragebogen-Antwortmatrix als Eingabe mit der endgültigen Ausgabe mit verschiedenen Modellen zu verknüpfen. Es hat Schritt für Schritt Algorithmen für maschinelles Lernen und Deep Learning getestet. Das Validierungssystem hat gemessen, ob reale und synthetische Daten aus denselben Populationen innerhalb der T-Student-Statistik stammen. Die getesteten Modelle waren Regressoren und Klassifikatoren. Der Vergleich zwischen XGBoost und Deep Neural Networks (DNN)38,39 zeigt, dass beide Modelle eine ähnliche Leistung in strukturierten Daten bieten.

Der F1-Score kann als harmonisches Mittel aus Präzision und Erinnerung interpretiert werden, wobei ein F1-Score seinen besten Wert bei eins und seinen schlechtesten Wert bei null erreicht. Der relative Beitrag von Präzision und Erinnerung zum F1-Score ist gleich. Die Formel für den F1-Score lautet:

und Betrieb,

Dabei ist TP die Anzahl der richtig positiven Ergebnisse, FN die Anzahl der falsch negativen Ergebnisse und FP die Anzahl der falsch positiven Ergebnisse. Eine bessere Leistung bedeutet niedrigere FN- und FP-Werte, und eine bessere Präzision und ein besserer Rückruf bedeuten eine bessere F1-Leistung. Bei unausgeglichenen Daten weist eine höhere Genauigkeit als der F1-Score darauf hin, dass einige Labels eine schlechte Leistung erbringen. Der Rückruf wird durch das Verhältnis \(recall=\frac{tp}{tp+fn}\)40 definiert. Genauigkeit ist definiert, wenn \(\left(y,\widehat{y}\right)\) als (Stichprobe, vorhergesagt) ist, dann ist der Anteil korrekter Vorhersagen über Stichproben definiert als

Der mittlere Fehler ist definiert als das Verhältnis des prognostizierten Gesamtwertfragebogens zum umfassenden Stichprobenfragebogen. Die Reihe für den T-Student-Wert ist definiert als die Summe aller Antworten auf jede Fragebogenvariable, die vorhergesagten Daten und die Stichprobendaten.

Die Autoren erklären, dass die angewandten Verfahren den Vorschriften des zuständigen Ethikausschusses für klinische Forschung sowie denen des Weltärztebundes und der Helsinki-Erklärung entsprachen. Die Forschungsprotokolle wurden von der Ethikkommission des Universitätskrankenhauses Vall d'Hebron genehmigt, dem ersten „bevölkerungsbasierten Register von Patienten mit chronischem Müdigkeitssyndrom“, das am 18.10.2006 genehmigt wurde.

In unserem vorgeschlagenen Modell ist ein \(edge\left(i,j\right)\) definiert, wenn \(abs\left(corr\left(i,j\right)\right)\ge 0,5\), was moderat anzeigt oder starke direkte und indirekte Korrelation. Die 2370 Register wurden validiert und die Pearson-Korrelation analysierte 38 Fragebogen-Subskalen. Das Subjekt jeder Subskala stellt Netzwerke mit jedem Knoten (9) dar, der in Abb. 2 dargestellt ist. Psychische Störungen, Depressionen und Angstzustände korrelieren stark mit physischen Subjekten. Die emotionalen Subskalen des SF-36 stehen in Zusammenhang mit den Subskalen Angst, Depression und Mentalität (SCL 90 R- und HAD-Fragebögen). Wie man sehen kann, korrelieren HAD und SCL 90 R stark. Die Größe des Knotens hängt vom Grad des Knotens ab, also von der Anzahl der einfallenden Kanten.

Subskalen-Beziehungsdiagramm. Farbknoten stellen den Test dar, zu dem die Knoten gehören. Der Prozentsatz in der Legende stellt die Anzahl der Knoten im Vergleich zur Gesamtzahl dar.

Im Zusatzmaterial analysiert das zweite Netzwerk die Subskalen als Knoten und die gleiche Beziehung als Kante. Die SF-36-Subskalen (grün) haben starke Beziehungen zu HAD (magenta) und FIS8 sowie FIS40 (stark grün bzw. rot). SCL 90 R (braun) hat eine enge Beziehung zu HAD. Darüber hinaus hat PSQI (blau) keine Beziehung außer dem Gesamt-PSQI-Wert. Die Stärke der Beziehung wird anhand des Prozentsatzes der Beziehungen zwischen den Testknoten gemessen. Der erste Test ist SF-36 und seine Knoten haben Beziehungen zu 100 % der HAD-Knoten (3 von 3) und nur 25 % von SCL 90 R (4 von 12). Die Knoten von HAD haben eine 100-prozentige Beziehung zu den Knoten von SCL 90 R. SCL 90 R hat eine Beziehung zum eindeutigen FIS8-Knoten, der Beziehungen zu allen vier FIS40-Knoten hat. Der letzte Test mit wenigen Beziehungen ist PSQI. Folglich lautet die gemäß den oben genannten Beziehungen festgelegte Reihenfolge: HAD, SCL 90 R, FIS8, FIS40 und PSQI.

Ein Testvergleich zwischen XGBoost, Classifier und XGBoost Regressor unter Verwendung von SF-36 als Trainingsdaten und HAD als Ziel mit 2321 validierten Registern finden Sie im Zusatzmaterial Abb. 3. Der Hyperparameter definiert, wie unser Modell funktioniert41. Die optimierten Parameter waren max_ Depth, Gamma, reg_alpha, reg_lambda, colsample_bytree, min_child_weight, subsample, n_estimators und eta. Hyperopt wurde für die Optimierung von Hyperparametern verwendet41. Beide müssen für jede Frage trainiert werden; Daher müssen 14 Modelle trainiert werden. Die Reihenfolge für einen festgelegten vorhergesagten Wert ist {0, 1, 2, 3} und der trainierte Wert ist {1, 2, 3}, wobei in beiden Fällen größere Werte einen schlechteren Gesundheitszustand anzeigen. Der Regressor hat eine gerundete Vorhersage getroffen, um echte Daten zu vergleichen. Die Ergebnisse des Modells werden mit XGBoost analysiert und die Regression und Klassifizierung verglichen. Der mittlere Regressionsfehler ist viel höher als der Klassifizierungsfehler (32,50 % vs. 3,16 %). Daher wird das Regressionsmodell in den folgenden Analysen verworfen (die Ergebnisse sind im ergänzenden Material, Tabelle S1, verfügbar). Die Gesamtzahl der Verbindungen betrug 32.494 (2321 Register × 14 Fragen im HAD-Fragebogen), und die Antworten „1“ und „2“ machen 67,25 % der Gesamtzahl aus. Das Modell verringert tendenziell den mittleren Fehler, sodass das Modell 70 % mehr „1“ vorhersagte als real und seltener „3“ vorhersagte (weitere Informationen finden Sie in Tabelle S3 im Zusatzmaterial).

Unausgeglichene Daten treten auf, wenn eine oder mehrere Klassenbezeichnungen eine sehr hohe Anzahl an Beobachtungen aufweisen und die andere eine niedrigere. Das Hauptproblem besteht darin, die Genauigkeit der Vorhersagen der Minderheitenklasse zu verbessern. Um die schiefe Verteilung von Klassen mit unterschiedlichen Gewichtungen zu berücksichtigen, führen Klassen mit Gewichtungen zu einer Strafe und einer geringfügigen Aktualisierung der Modellkoeffizienten. Das auf der Keras-Bibliothek basierende Modell ist flexibler und kann für jede Frage als Differenz der unausgeglichenen Daten betrachtet werden. Der Hauptunterschied zwischen dem Keras-Klassifikatormodell besteht in der Verwendung des Rückrufwerts, der dazu beiträgt, das oben genannte Problem mit unausgeglichenen Daten zu reduzieren (weitere Informationen finden Sie in Tabelle S3 im Zusatzmaterial). Tun Sie dies für jede Klasse

Dabei ist n die Anzahl der gültigen Register, Klassen die Anzahl der Klassen und \(coun{t}_{i}\) die Unterstützung der i-ten Klasse. Vergleich der Ergebnisse der ersten HAD-Fragen (weitere Informationen finden Sie in Tabelle S1–S3 im Zusatzmaterial). Die Antwort „0“ hat 66 (2,8 %) Unterstützung und die Antwort „3“ hat 562 (24,21 %) Unterstützung. Nach Minderheiten gewichtete Etikettenklassen sind tendenziell unterrepräsentiert und weisen eine niedrige Rückrufrate auf, im ersten Fall 0,00. Diese Verzerrungen führen zu Daten von schlechterer synthetischer Qualität für die spätere Analyse. Tabelle 3 zeigt die Ergebnisse nach der Korrektur durch die Konfiguration in unserem Modell, wodurch die Ergebnisse bei den Antworten mit geringer Repräsentation deutlich verbessert wurden.

Der Aufbau des Modells erfordert fünf Schritte, wie in Abb. 3 dargestellt. Der erste Schritt erfordert eine SF-36-Fragebogen-Eingabematrix mit 3019 Registern, die im HAD-Fragebogen identisch waren. Die Ausgabe ist eine synthetische HAD-Matrix. Der zweite Schritt erfordert eine Eingabematrix aus SF-36 + HAD (synthetische Daten) und erzeugt synthetische SCL 90 R-Antworten usw. Die Ergebnisse sind in den Tabellen 4 und 5 aufgeführt.

Schema des Keras-Klassifikatoralgorithmus.

Angesichts der Tatsache, dass die SF-36-Fragebogendaten mithilfe eines neuen Modells erstellt werden können, geben synthetische Antworten aus anderen Fragebögen Aufschluss über die Auswirkungen von Müdigkeit, psychologischen Phänomenen und Schlafstörungen. Der Mangel an risikofreien Gesundheitsdaten ist ein Problem in ME/SFC-Krankenhausabteilungen und Ermittlern. Dieses Open-Source-Projekt bietet ein Tool zur Generierung risikofreier synthetischer Daten für die Gesundheits-IT und die klinische Gemeinschaft, um weitere synthetische Daten zu verwenden, zu experimentieren und zu erstellen. Die auf Validierungstests basierende Qualität deckte keine Projekte oder Forschungsarbeiten ab, die sich auf klinische Entdeckungen konzentrierten. Synthetische Daten können eine Alternative zur Grundwahrheit sein, wenn der Datenzugriff eingeschränkt ist, und eine hervorragende Alternative zu Trainings-/Testdatensätzen für maschinelles Lernen26.

Der SF-36 umfasst eine Multi-Item-Skala, die acht Gesundheitskonzepte bewertet: (1) Einschränkungen bei körperlichen Aktivitäten aufgrund von Gesundheitsproblemen; (2) Einschränkungen sozialer Aktivitäten aufgrund körperlicher oder emotionaler Probleme; (3) Einschränkungen bei üblichen Rollenaktivitäten aufgrund körperlicher Gesundheitsprobleme; (4) körperlicher Schmerz; (5) allgemeine psychische Gesundheit (psychische Belastung und Wohlbefinden); (6) Einschränkungen bei üblichen Rollenaktivitäten aufgrund emotionaler Probleme; (7) Vitalität (Energie und Müdigkeit) und (8) allgemeine Gesundheitswahrnehmung und ist einer der am häufigsten verwendeten und ausgewerteten Fragebögen zur Lebensqualität41. Die anderen fünf in dieser Arbeit verwendeten Fragebögen ergänzen die meisten Informationen über die Lebensqualität von ME/SFC-Patienten.

Die Fragebögen können schnell beantwortet werden und stehen regelmäßig in der hausärztlichen und fachärztlichen Sprechstunde zur Verfügung. Einige Anwendungen bieten automatisierte Analyseergebnisse, die wichtige Informationen über den Gesundheitszustand des Patienten liefern.

Die Graphentheorie wurde verwendet, um die Reihenfolge der Modellierungskaskade zu bestimmen. Obwohl eine tiefere Analyse dieser Beziehungen Gegenstand einer anderen, spezifischeren Arbeit sein sollte, informiert sie uns in diesem Fall über die in unserem Modell verwendete Reihenfolge. Diese Beziehungen werden unser Modell charakterisieren, das mit mehr analysierten Datensätzen robuster wird. Unser Datensatz ist in SFC ungewöhnlich gut, was für unsere Modelle robust wird.

Unsere Anwendungen zur Generierung synthetischer Datensätze ergänzen fehlende Daten realer Datensätze aus allen anderen fünf Fragebögen. Für diese könnten klinische Einheiten mit ME/SFC-Datensätzen mit SF-36-Fragebogenantworten, aber fehlenden anderen, einen vollständigen Datensatz erstellen.

(1) Single-Center-Studie. (2) Referenzeinheit bei der Diagnose und Behandlung von CFS/ME, die möglicherweise auf schwerere Fälle und eine längere Entwicklungszeit ausgerichtet ist als Studien in der Primärversorgung. (3) Zu Parametern wie den Ergebnissen des zweitägigen ergometrischen Tests zur Beurteilung der Belastungsintoleranz, einer neuropsychologischen Batterie zur Beurteilung kognitiver Beeinträchtigungen und neurovegetativer Dysfunktionen, z. B. der Herzfrequenzvariabilität, liegen keine Informationen vor. (4) Dass es sich um eine prospektive Studie mit Querschnittsdatenerhebung handelt. Es handelt sich nicht um eine Längsschnittstudie.

Synthetische Patienten können mit Modellen von ME/CFS-Fragebogendaten und entsprechenden Pflegestandards simuliert werden, um risikofreie, realistische synthetische Gesundheitsakten in großem Maßstab zu erstellen. Ein Open-Source-Generator bietet synthetische Daten mit hoher Wiedergabetreue für Forschungs- und Bildungszwecke, frei von rechtlichen, Datenschutz-, Sicherheits- und geistigen Eigentumsbeschränkungen.

GitHub ist eine Online-Plattform, auf der Forscher und Softwareentwickler ihre Arbeit mit der wissenschaftlichen Gemeinschaft teilen. Der folgende Link teilt die hier beschriebene Arbeit. Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind im SFCSyntheticDataGenerator-Repository verfügbar, https://github.com/mlacasa/SFCSyntheticDataGenerator

Lim, E.-J. et al. Systematische Überprüfung und Metaanalyse der Prävalenz des chronischen Müdigkeitssyndroms/myalgischen Enzephalomyelitis (CFS/ME). J. Übers. Med. 18, 100. https://doi.org/10.1186/s12967-020-02269-0 (2020).

Artikel PubMed PubMed Central Google Scholar

Morris, G. et al. Myalgische Enzephalomyelitis/chronisches Müdigkeitssyndrom: Von pathophysiologischen Erkenntnissen zu neuen therapeutischen Möglichkeiten. Pharmakol. Res. 148, 104450. https://doi.org/10.1016/j.phrs.2019.104450 (2019).

Artikel CAS PubMed Google Scholar

Castro-Marrero, J. et al. Arbeitslosigkeit und Arbeitsunfähigkeit bei Personen mit chronischem Müdigkeitssyndrom/myalgischer Enzephalomyelitis: Eine gemeindebasierte Querschnittsstudie aus Spanien. BMC Public Health 19, 840. https://doi.org/10.1186/s12889-019-7225-z (2019).

Artikel PubMed PubMed Central Google Scholar

Maes, M. & Twisk, FN Warum myalgische Enzephalomyelitis/chronisches Müdigkeitssyndrom (ME/CFS) tödlich sein können: Störungen in den Signalwegen von entzündlichem und oxidativem und nitrosativem Stress (IO&NS) können kardiovaskuläre Störungen bei ME/CFS erklären. Neuroendokrinol Lett. 30, 677–693 (2009).

PubMed Google Scholar

Castro-Marrero, J. et al. Schlechte selbstberichtete Schlafqualität und gesundheitsbezogene Lebensqualität bei Patienten mit chronischem Müdigkeitssyndrom/myalgischer Enzephalomyelitis. J. Schlafres. 27, e12703. https://doi.org/10.1111/jsr.12703 (2018).

Artikel PubMed Google Scholar

Castro-Marrero, J. et al. Komorbidität bei chronischem Müdigkeitssyndrom/myalgischer Enzephalomyelitis: Eine landesweite bevölkerungsbasierte Kohortenstudie. Psychosomatik 58, 533–543. https://doi.org/10.1016/j.psym.2017.04.010 (2017).

Artikel PubMed Google Scholar

Castro-Marrero, J., Sáez-Francàs, N., Santillo, D. & Alegre, J. Behandlung und Management des chronischen Müdigkeitssyndroms/myalgischen Enzephalomyelitis: Alle Wege führen nach Rom. Br. J. Pharmacol. 174, 345–369. https://doi.org/10.1111/bph.13702 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Fisk, JD et al. Messung der funktionellen Auswirkung von Ermüdung: Erstvalidierung der Ermüdungsauswirkungsskala. Klin. Infizieren. Dis. 18(Suppl 1), S79-83. https://doi.org/10.1093/clinids/18.supplement_1.s79 (1994).

Artikel PubMed Google Scholar

Fisk, JD & Doble, SE Konstruktion und Validierung einer Ermüdungswirkungsskala für die tägliche Verabreichung (D-FIS). Qual. Lebensres. 11, 263–272. https://doi.org/10.1023/a:1015295106602 (2002).

Artikel PubMed Google Scholar

Buysse, DJ, Reynolds, CF 3rd., Monk, TH, Berman, SR & Kupfer, DJ Der Pittsburgh Sleep Quality Index: Ein neues Instrument für die psychiatrische Praxis und Forschung. Psychiatrie Res. 28, 193–213. https://doi.org/10.1016/0165-1781(89)90047-4 (1989).

Artikel CAS PubMed Google Scholar

Alonso, J., Prieto, L. & Antó, JM Die spanische Version der SF-36-Gesundheitsumfrage (der SF-36-Gesundheitsfragebogen): Ein Instrument zur Messung klinischer Ergebnisse. Med. Klin. 104, 771–776 (1995).

CAS Google Scholar

McGregor, NR et al. Eine vorläufige Bewertung des Zusammenhangs der psychologischen Inventarreaktionen von SCL-90-R mit Veränderungen der Urinmetaboliten bei Patienten mit chronischem Müdigkeitssyndrom. J. Chronisches Ermüdungssyndr. 3, 17–37. https://doi.org/10.1300/J092v03n01_03 (1997).

Artikel Google Scholar

Castresana, C., Perez, AG -E., de Rivera, JLG Krankenhausangst- und Depressionsskala und affektive Psychopathologie. Annalen der Psychiatrie. S. 126–130. (1995) Verfügbar: https://www.academia.edu/download/51823551/95_A138_03.pdf

Castro-Marrero, J. et al. Einfluss der Nahrungsergänzung mit Coenzym Q10 plus NADH auf die Wahrnehmung von Müdigkeit und die gesundheitsbezogene Lebensqualität bei Personen mit myalgischer Enzephalomyelitis/chronischem Müdigkeitssyndrom: Eine prospektive, randomisierte, doppelblinde, placebokontrollierte Studie. Nährstoffe https://doi.org/10.3390/nu13082658 (2021).

Artikel PubMed PubMed Central Google Scholar

Watson, DS et al. Klinische Anwendungen maschineller Lernalgorithmen: Jenseits der Blackbox. BMJ 364, l886. https://doi.org/10.1136/bmj.l886 (2019).

Artikel PubMed Google Scholar

Kitami, T. et al. Tiefgreifende Phänotypisierung von myalgischer Enzephalomyelitis/chronischem Müdigkeitssyndrom in der japanischen Bevölkerung. Wissenschaft. Rep. 10, 19933. https://doi.org/10.1038/s41598-020-77105-y (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Słomko, J. et al. Autonome Phänotypen beim chronischen Müdigkeitssyndrom (CFS) stehen im Zusammenhang mit der Schwere der Erkrankung: Eine Clusteranalyse. J. Clin. Med. Res. 9, 254. https://doi.org/10.3390/jcm9082531 (2020).

Artikel Google Scholar

Zhang, F. et al. Auf künstlicher Intelligenz basierende Entdeckung des Zusammenhangs zwischen Depression und chronischem Müdigkeitssyndrom. J. Affekt. Unordnung. 250, 380–390. https://doi.org/10.1016/j.jad.2019.03.011 (2019).

Artikel PubMed Google Scholar

Hanson, SJ, Gause, W. & Natelson, B. Erkennung immunologisch signifikanter Faktoren für das chronische Müdigkeitssyndrom mithilfe neuronaler Netzwerkklassifikatoren. Klin. Diag. Labor. Immunol. 8, 658–662. https://doi.org/10.1128/CDLI.8.3.658-662.2001 (2001).

Artikel CAS PubMed PubMed Central Google Scholar

Levine, PH et al. Klinische, epidemiologische und virologische Studien in vier Clustern des chronischen Müdigkeitssyndroms. Bogen. Praktikant. Med. 152, 1611–1616 (1992).

Artikel CAS PubMed Google Scholar

Asprusten, TT, Sletner, L. & Wyller, VBB Gibt es Untergruppen des chronischen Müdigkeitssyndroms? Eine explorative Clusteranalyse biologischer Marker. J. Übers. Med. 19, 48. https://doi.org/10.1186/s12967-021-02713-9 (2021).

Artikel PubMed PubMed Central Google Scholar

Hunter, P. Der große Verkauf von Gesundheitsdaten: Da der Handel mit persönlichen Gesundheits- und medizinischen Daten zunimmt, wird es notwendig, die rechtlichen Rahmenbedingungen zum Schutz der Patientenanonymität, zum Umgang mit Einwilligungen und zur Sicherstellung der Datenqualität zu verbessern. EMBO Rep. 17, 1103–1105. https://doi.org/10.1525/embr.201642917 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Tate, AR et al. Nutzung des Potenzials großer Datenbanken elektronischer Gesundheitsakten für Forschungszwecke mithilfe schneller Suchalgorithmen und einer intuitiven Abfrageschnittstelle. Marmelade. Med. Informieren. Assoc. 21, 292–298. https://doi.org/10.1136/amiajnl-2013-001847 (2014).

Artikel PubMed Google Scholar

Moniz, L. et al. Erstellung und Validierung synthetischer elektronischer Krankenakten. Online J. Public Health Inform. https://doi.org/10.5210/ojphi.v1i1.2720 (2009).

Artikel PubMed PubMed Central Google Scholar

Weiss, JC, Page, D. Waldbasierter Punktprozess zur Ereignisvorhersage aus elektronischen Gesundheitsakten. Maschinelles Lernen und Wissensentdeckung in Datenbanken. Springer Berlin Heidelberg. 547–562 (2013). https://doi.org/10.1007/978-3-642-40994-3_35

Wang, Z., Myles, P. & Tucker, A. Generierung und Auswertung querschnittlicher synthetischer elektronischer Gesundheitsdaten: Wahrung des Datennutzens und der Privatsphäre des Patienten. Berechnen. Intel. 37, 819–851. https://doi.org/10.1111/coin.12427 (2021).

Artikel MathSciNet Google Scholar

Tucker, A., Wang, Z., Rotalinti, Y. & Myles, P. Generierung hochwertiger synthetischer Patientendaten zur Bewertung von Software für maschinelles Lernen im Gesundheitswesen. NPJ. Ziffer. Med. 3, 147. https://doi.org/10.1038/s41746-020-00353-9 (2020).

Artikel PubMed PubMed Central Google Scholar

Qin, Z., Liu, Z., Zhu, P. & Xue, Y. Eine GAN-basierte Bildsynthesemethode zur Klassifizierung von Hautläsionen. Berechnen. Methodenprogramme Biomed. 195, 105568–105616. https://doi.org/10.1016/j.cmpb.2020.105568 (2020).

Artikel PubMed Google Scholar

Ravi, D. et al. Degenerative gegnerische Neurobildnetze für Gehirnscan-Simulationen: Anwendung bei Alterung und Demenz. Med. Bild Anal. 75, 102257. https://doi.org/10.1016/j.media.2021.102257 (2022).

Artikel PubMed PubMed Central Google Scholar

Islam, J. & Zhang, Y. GAN-basierte synthetische Gehirn-PET-Bilderzeugung. Gehirn informieren. 7, 3. https://doi.org/10.1186/s40708-020-00104-2 (2020).

Artikel PubMed PubMed Central Google Scholar

Li, Q., Yu, Z., Wang, Y. & Zheng, H. TumorGAN: Ein multimodales Datenerweiterungs-Framework für die Segmentierung von Hirntumoren. Sensoren https://doi.org/10.3390/s20154203 (2020).

Artikel PubMed PubMed Central Google Scholar

Tien, H.-J., Yang, H.-C., Shueng, P.-W. & Chen, J.-C. Verbesserung der Kegelstrahl-CT-Bildqualität mithilfe von Cycle-Deblur-konsistenten kontradiktorischen Netzwerken (Cycle-Deblur GAN) für die Thorax-CT-Bildgebung bei Brustkrebspatientinnen. Wissenschaft. Rep. 11, 1133. https://doi.org/10.1038/s41598-020-80803-2 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Fukuda, K. et al. Das chronische Müdigkeitssyndrom: Ein umfassender Ansatz zu seiner Definition und Untersuchung. Ann. Praktikant. Med. 121, 953–959. https://doi.org/10.7326/0003-4819-121-12-199412150-00009 (1994).

Artikel CAS PubMed Google Scholar

Carruthers, BM et al. Myalgische Enzephalomyelitis: Internationale Konsenskriterien. J. Int. Med. 2415, 327–338. https://doi.org/10.1111/j.1365-2796.2011.02428.x (2011).

Artikel Google Scholar

Newman, M. Netzwerke. Oxford University Press; 2018. Verfügbar: https://play.google.com/store/books/details?id=YdZjDwAAQBAJ

Hagberg, A., Swart, PS, Chult, D. Erforschung der Netzwerkstruktur, -dynamik und -funktion mit NetworkX. Los Alamos National Lab. (LANL), Los Alamos, NM (Vereinigte Staaten); (2008). Verfügbar: https://www.osti.gov/biblio/960616

Suchowski, MA Eine Analyse der Auswirkung eines Ausreißers auf Korrelationskoeffizienten bei kleinen Stichprobendaten, bei denen Rho ungleich Null ist. Western Michigan UniversityProQuest Dissertations Publishing, Abschlussjahr. P. 3007026. Verfügbar: https://search.proquest.com/openview/5d1cbf13c930b7358050381ebab41a85/1?pq-origsite=gscholar&cbl=18750&diss=y

Ferreira, L., Pilastri, A., Martins, CM, Pires, PM, Cortez, P. Ein Vergleich von AutoML-Tools für maschinelles Lernen, Deep Learning und XGBoost. 2021 Internationale gemeinsame Konferenz über neuronale Netze (IJCNN). S. 1–8. (2021). https://doi.org/10.1109/IJCNN52387.2021.9534091

Park, DJ et al. Entwicklung eines maschinellen Lernmodells zur diagnostischen Krankheitsvorhersage basierend auf Labortests. Wissenschaft. Rep. 11, 7567. https://doi.org/10.1038/s41598-021-87171-5 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res. 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Chen, T., Guestrin, C. XGBoost: Ein skalierbares Baum-Boosting-System. Tagungsband der 22. ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, NY, USA: Association for Computing Machinery; S. 785–794 (2016). https://doi.org/10.1145/2939672.2939785

Referenzen herunterladen

ADaS Lab – E-Health Center, Offene Universität Katalonien, Rambla del Poblenou, 156, 08018, Barcelona, ​​​​Spanien

Marcos Lacasa, Ferran Prados und Jordi Casas-Roma

Zentrum für medizinische Bildverarbeitung, University College London, London, Großbritannien

Ferran Prados

Biomedizinisches Forschungszentrum des National Institute for Health Research an der UCL und UCLH, London, Großbritannien

Ferran Prados

Abteilung für Neuroinflammation, Queen Square MS Center, UCL Institute of Neurology, Fakultät für Gehirnwissenschaften, University College London, London, Großbritannien

Ferran Prados

ME/CFS-Abteilung, Abteilung für Rheumatologie, Vall d'Hebron Hospital Research Institute Universitat Autònoma de Barcelona, ​​​​Barcelona, ​​​​Spanien

José Alegre

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben zur Konzeption und Gestaltung der Studie beigetragen. ML und JA führten Materialvorbereitung, Datenerfassung und Analyse durch. ML schrieb den ersten Entwurf des Manuskripts und alle Autoren kommentierten frühere Versionen. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Marcos Lacasa.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Lacasa, M., Prados, F., Alegre, J. et al. Ein synthetisches Datengenerierungssystem für Fragebögen zu myalgischer Enzephalomyelitis/chronischem Müdigkeitssyndrom. Sci Rep 13, 14256 (2023). https://doi.org/10.1038/s41598-023-40364-6

Zitat herunterladen

Eingegangen: 22. März 2023

Angenommen: 09. August 2023

Veröffentlicht: 31. August 2023

DOI: https://doi.org/10.1038/s41598-023-40364-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.