Neues Graph-basiertes Modell erkennt Krankheiten ohne umfangreiche Tests

Die präzise Erkennung von Krankheiten ist entscheidend für eine effektive medizinische Versorgung. Traditionell erfordert die Diagnose jedoch umfangreiche Tests, die mit hohen Kosten und Aufwand verbunden sind. Ein neues Verfahren namens Collaborative Learning for Disease Detection (CLDD) löst dieses Problem, indem es Krankheiten als kollaboratives Lernproblem betrachtet und dabei Verbindungen zwischen Krankheiten sowie Ähnlichkeiten zwischen Patienten nutzt.

CLDD kombiniert Interaktionen zwischen Patienten und Krankheiten mit demografischen Merkmalen aus elektronischen Gesundheitsakten. Dadurch kann das Modell für jeden Patienten Hunderte oder sogar Tausende von Krankheiten vorhersagen, ohne auf umfangreiche medizinische Tests angewiesen zu sein. In umfangreichen Tests auf einer verarbeiteten Version des MIMIC‑IV‑Datensatzes – 61.191 Patienten und 2.000 Krankheiten – übertraf CLDD etablierte Baselines in allen wichtigen Metriken. Die Rückrufrate stieg um 6,33 % und die Präzision um 7,63 %.

Fallstudien zeigen, dass CLDD versteckte Krankheiten in den Top‑Prädiktionen zuverlässig erkennt, was sowohl die Interpretierbarkeit als auch die Zuverlässigkeit des Modells unterstreicht. Durch die Reduktion diagnostischer Kosten und die Verbesserung der Zugänglichkeit eröffnet CLDD neue Möglichkeiten für großflächige Screening‑Programme und stärkt die soziale Gesundheitssicherheit.