ExtraCare: Transparente Domänenanpassung für präzise klinische Vorhersagen

Deep‑Learning‑Modelle zur Vorhersage klinischer Ereignisse aus elektronischen Gesundheitsakten (EHR) verlieren häufig an Genauigkeit, wenn sie in Umgebungen mit abweichenden Datenverteilungen eingesetzt werden. Die gängige Domänenanpassung (DA) kann diesen Effekt mildern, bleibt jedoch oft ein „Black‑Box“-Ansatz, der in der klinischen Praxis wegen fehlender Transparenz wenig Vertrauen schafft.

Mit dem neuen Ansatz ExtraCare wird die Patientenrepräsentation in zwei orthogonale Komponenten zerlegt: eine invariant, die die eigentliche Label‑Information trägt, und eine kovariant, die die domänenspezifische Variation abbildet. Durch gezielte Supervision und die Erzwingung der Orthogonalität bleibt die Vorhersagekraft erhalten, während gleichzeitig die Unterschiede zwischen den Domänen explizit sichtbar werden.

Ein besonderes Merkmal von ExtraCare ist die erklärbare Komponente. Die sparsamen latenten Dimensionen werden medizinischen Konzepten zugeordnet, und ihre jeweiligen Beiträge werden durch gezielte Ablationen quantifiziert. So erhalten Ärztinnen und Ärzte nicht nur präzisere Vorhersagen, sondern auch nachvollziehbare, menschlich verständliche Erklärungen.

In umfangreichen Tests auf zwei realen EHR‑Datensätzen und unter verschiedenen Domänen‑Partitionen zeigte ExtraCare eine überlegene Leistung gegenüber herkömmlichen Feature‑Alignment‑Modellen. Gleichzeitig bestätigten die Fallstudien die erhöhte Transparenz, indem sie genaue Vorhersagen mit klaren, erklärbaren Ergebnissen verbanden.