Neues, transparentes Modell prognostiziert Fußkomplikationen bei Diabetikern in Ontario

Ein neu entwickeltes Deep‑Learning‑Modell namens CRISPNAM‑FG setzt neue Maßstäbe in der Vorhersage von Fußkomplikationen bei Diabetespatienten. Durch die Kombination von Neural Additive Models (NAMs) mit separaten Projektionen für jede Risikokategorie liefert das Modell die kumulative Inzidenzfunktion nach der Fine‑Gray‑Formulierung und bleibt dabei vollständig interpretierbar.

CRISPNAM‑FG nutzt die Struktur von NAMs, um für jedes Risiko eigene Projektionvektoren zu bestimmen. Dadurch entstehen transparente Shape‑Funktionen und Feature‑Importance‑Plots, die es Klinikern ermöglichen, die Entscheidungsgrundlage des Modells nachzuvollziehen und zu prüfen. Trotz dieser Transparenz erreicht das Modell eine hohe Vorhersagekraft, die mit führenden Deep‑Survival‑Modellen vergleichbar ist.

Die Leistungsfähigkeit des Modells wurde zunächst an mehreren Benchmark‑Datensätzen validiert und anschließend auf reale Daten aus 29 Krankenhäusern in Ontario angewendet. Für den Zeitraum 2016 bis 2023 konnte CRISPNAM‑FG zukünftige Fußkomplikationen bei Diabetespatienten zuverlässig prognostizieren und dabei gleichzeitig die wichtigsten Einflussfaktoren offenlegen.

Diese Entwicklung zeigt, dass Deep‑Learning‑Modelle nicht nur leistungsstark, sondern auch nachvollziehbar sein können – ein entscheidender Schritt, um KI‑gestützte Prognosen in die klinische Praxis zu integrieren.