KI-gestütztes Symptom-Tracking erkennt frühzeitig Schlaganfallrisiko bei Diabetes

Schlaganfälle betreffen jedes Jahr Millionen Menschen, doch die späte Erkennung von Symptomen führt häufig zu verzögerten medizinischen Eingriffen. Um diese Lücke zu schließen, haben Forscher ein passives Überwachungssystem entwickelt, das frühzeitig das Schlaganfallrisiko bei Personen mit Diabetes erkennt, indem es selbstberichtete Symptome nutzt.

Das System basiert auf einer Symptomtaxonomie, die in der Sprache der Patienten selbst formuliert wurde, und einem zweistufigen Machine‑Learning‑Ansatz. Zunächst wird ein heterogenes Graph Neural Network (GNN) eingesetzt, um komplexe Zusammenhänge zwischen Symptomen zu erfassen. Anschließend filtert ein Elastic‑Net/LASSO‑Modell die wichtigsten Merkmale heraus, die mit einem späteren Schlaganfall korrelieren.

Aus den gewonnenen Erkenntnissen entstand ein hybrides Risikoscreening, das die Relevanz der Symptome mit ihrer zeitlichen Nähe kombiniert. Durch Simulationen auf elektronischen Gesundheitsakten wurden die Wirksamkeit und Genauigkeit des Modells in Zeitfenstern von 3 bis 90 Tagen getestet.

Unter konservativen Schwellenwerten, die darauf ausgelegt sind, Fehlalarme zu minimieren, erreichte das Screening eine Spezifität von 1,00 und einen prevalence‑angepassten positiven Prädiktivwert von 1,00. Die Sensitivität lag bei 0,72 und war im 90‑Tage‑Fenster am höchsten. Diese Ergebnisse zeigen, dass die alleinige Nutzung von Patienten‑Sprache eine hochpräzise, belastungsarme Früherkennung von Schlaganfallrisiken ermöglicht und wertvolle Zeit für klinische Bewertungen und Interventionen bei Hochrisikopatienten schafft.