Neues KI-Modell: ODE-basierte Netzwerke für intervalle-censierte Zeitdaten

Ein neues Forschungsprojekt präsentiert ICODEN, ein neuronales Netzwerk, das gewöhnliche Differentialgleichungen nutzt, um die Hazard-Funktion bei intervalle-censierten Zeitdaten zu modellieren. Im Gegensatz zu herkömmlichen Ansätzen setzt ICODEN keine proportionalen Hazard‑Annahmen oder vorgegebene Parametermodelle voraus, was eine flexible und anpassungsfähige Analyse ermöglicht.

In umfangreichen Simulationen, die sowohl proportionale als auch nicht-proportionale Hazard‑Strukturen sowie lineare und nichtlineare Kovariaten berücksichtigen, erzielt ICODEN konstant hohe Vorhersagegenauigkeit und bleibt stabil, selbst wenn die Anzahl der Prädiktoren stark ansteigt. Die Methode wurde zudem auf realen Datensätzen aus der Alzheimer‑Disease‑Neuroimaging‑Initiative (ADNI) sowie den Age‑Related Eye Disease Studies (AREDS und AREDS2) angewendet, um die Zeit bis zum Auftreten von Alzheimer‑Demenz bzw. fortgeschrittener altersbedingter Makuladegeneration (AMD) vorherzusagen.

In beiden Anwendungen konnte ICODEN erfolgreich Hunderte bis über tausend SNPs einbeziehen und datengetriebene Untergruppen mit unterschiedlichen Fortschrittsrisiken identifizieren. Diese Ergebnisse positionieren ICODEN als ein praktisches, annahmefreies Werkzeug für die Vorhersage intervalle-censierter Überlebensdaten in hochdimensionalen biomedizinischen Studien.