EHR‑RAG: KI‑Modell verbindet Langzeit‑Patientendaten mit Retrieval‑Strategie

Die neue Methode EHR‑RAG nutzt Retrieval‑Augmented Generation, um große, strukturierte elektronische Gesundheitsakten (EHR) in die Vorhersage von Langzeit‑Klinikereignissen einzubeziehen. Durch die Kombination von KI‑Modellen mit gezieltem Abruf von relevanten Patientendaten über die gesamte Behandlungsdauer hinweg, kann das System klinisch wichtige Ereignisse und zeitliche Abhängigkeiten besser berücksichtigen.

EHR‑RAG besteht aus drei maßgeschneiderten Komponenten: Erstens ein Event‑ und Time‑Aware Hybrid EHR Retrieval, das die klinische Struktur und die zeitliche Dynamik der Daten bewahrt. Zweitens eine Adaptive Iterative Retrieval-Strategie, die die Suchanfragen schrittweise verfeinert, um ein breiteres Evidenzspektrum abzudecken. Drittens ein Dual‑Path Evidence Retrieval and Reasoning, das gleichzeitig faktische und kontrafaktische Belege abruft und verarbeitet.

In vier Langzeit‑EHR‑Vorhersageaufgaben zeigte EHR‑RAG eine durchschnittliche Verbesserung des Macro‑F1‑Scores um 10,76 % gegenüber den stärksten LLM‑basierten Baselines. Diese Ergebnisse unterstreichen das Potenzial von Retrieval‑Augmented LLMs, die klinische Entscheidungsfindung auf Basis strukturierter Patientendaten signifikant zu verbessern.