Sicheres klinisches NLP: Vermeidung von zeitlicher Leckage bei Entlassungsprognosen

In der klinischen Textverarbeitung zeigen moderne NLP‑Modelle großes Potenzial, um die Entlassungsplanung von Patienten zu unterstützen. Doch die meisten Modelle, die auf Notizen basieren, sind anfällig für zeitliche und lexikalische Leckagen – sie nutzen Informationen, die eigentlich erst in der Zukunft verfügbar sind, und überschätzen dadurch ihre Leistung. Solche Fehler können in der Praxis zu übermäßig selbstsicheren Vorhersagen führen, die Arbeitsabläufe stören und die Patientensicherheit gefährden.

Die aktuelle Studie untersucht, welche systemweite Designentscheidungen nötig sind, um klinische NLP‑Systeme unter strengen zeitlichen Leckage‑Beschränkungen sicher und einsatzbereit zu machen. Dazu wurde ein leichtgewichtiges Auditing‑Pipeline entwickelt, das Interpretierbarkeit in den Entwicklungsprozess integriert und potenziell leckage‑anfällige Signale bereits vor dem endgültigen Training erkennt und unterdrückt.

Als Fallstudie wurde die Vorhersage der Entlassung am nächsten Tag nach elektiver Wirbelsäulenoperation verwendet. Die Ergebnisse zeigen, dass auditiert Modelle konservativere und besser kalibrierte Wahrscheinlichkeiten liefern und weniger auf Entlassungs‑bezogene Lexika zurückgreifen. Diese Erkenntnisse unterstreichen, dass klinische NLP‑Systeme, die in der Praxis eingesetzt werden sollen, vor allem auf zeitliche Gültigkeit, Kalibrierung und robuste Verhaltensweisen achten müssen – statt auf überoptimistische Leistungszahlen.