SepsisSuite: Deep Fusion schlägt Expert Stacking bei präventiver Sepsis‑KI

Sepsis macht weltweit fast 20 % aller Intensivstationseinweisungen aus, doch herkömmliche Vorhersagemodelle verarbeiten die vielfältigen Datenquellen – Vitalparameter, klinische Texte und Bildgebung – oft isoliert oder mit starren frühen Fusionen. In der aktuellen Studie wird ein systematischer Vergleich zwischen End‑to‑End Deep Fusion und Context‑Aware Stacking für Sepsis‑Aufgaben präsentiert.

Ursprünglich wurde ein Quad‑Modal Hierarchical Gated Attention Network, das SepsisFusionFormer genannt wird, entwickelt, um komplexe Kreuzmodalinteraktionen zwischen Vitaldaten, Texten und Bildern zu lösen. Die Experimente auf der MIMIC‑IV‑Datenbank zeigten jedoch, dass das Modell bei einer kleinen Antibiotikakohorte (N ≈ 2 100) unter „Attention‑Starvation“ litt und mit einem AUC von 0,66 überangepasst war.

Aus diesen Erkenntnissen entstand SepsisLateFusion, ein schlankes Context‑Aware Mixture‑of‑Experts‑Netzwerk. Es behandelt die Modalitäten als orthogonale Experten – Historian (statisch), Monitor (zeitlich) und Reader (NLP) – und steuert sie dynamisch über einen CatBoost‑Meta‑Learner. Das Ergebnis: ein AUC von 0,915 für die Vorhersage von Sepsis vier Stunden vor klinischem Auftreten. Durch die Anpassung des Entscheidungsschwellenwerts konnte die Zahl der verpassten Fälle um 48 % im Vergleich zum Standardbetrieb reduziert werden, wodurch ein echtes präventives Interventionsfenster eröffnet wird.

Für die neue preskriptive Aufgabe der mehrklassigen Antibiotikawahl demonstriert die Studie, dass ein Quad‑Modal Ensemble die höchste Leistung erzielt, was die Vielseitigkeit und Effektivität der neuen Architektur unterstreicht.