Neuer Autoencoder lernt aus unvollständigen EHR-Daten ohne Imputation

Die jüngste Veröffentlichung auf arXiv präsentiert den Augmented‑Intrinsic Dual‑Masked Autoencoder (AID‑MAE), der sich durch die direkte Verarbeitung unvollständiger Zeitreihen aus elektronischen Gesundheitsakten (EHR) auszeichnet. Im Gegensatz zu bisherigen selbstüberwachten Ansätzen, die vor dem Lernen imputieren oder fehlende Werte als separate Signale behandeln, nutzt AID‑MAE zwei Maskierungsstrategien: eine intrinsische Maske für natürlich fehlende Werte und eine augmentierte Maske, die zufällig beobachtete Werte für die Rekonstruktion verbirgt.

Durch die Verarbeitung ausschließlich der unmaskierten Token demonstriert AID‑MAE eine konsistente Leistungssteigerung gegenüber etablierten Baselines wie XGBoost und DuETT. Die Tests erstrecken sich über mehrere klinische Aufgaben und zwei unterschiedliche Datensätze, wobei die neuen Embeddings nicht nur die Leistung verbessern, sondern auch Patientengruppen im Repräsentationsraum natürlich differenzieren.

Diese Fortschritte zeigen, dass ein gezielter Umgang mit fehlenden Daten in EHRs die Entwicklung robuster, klinisch relevanter Modelle erheblich beschleunigen kann, ohne auf Imputation oder zusätzliche Eingabe‑Signale angewiesen zu sein.