Hybrid-Ansatz aus ML-Ensembles und LLMs verbessert Herzkrankheiten-Vorhersage

Herz-Kreislauf-Erkrankungen bleiben weltweit die häufigste Todesursache. Um Patienten frühzeitig zu erkennen und präzise Risikoklassifikationen zu ermöglichen, sind verlässliche Entscheidungshilfen unerlässlich. In einer neuen Studie wird gezeigt, wie moderne Machine‑Learning‑Ensembles in Kombination mit großen Sprachmodellen (LLMs) die Vorhersagegenauigkeit erheblich steigern können.

Die Forscher nutzten einen Datensatz von 1.190 Patienten und verglichen klassische ML‑Modelle – darunter Random Forest, XGBoost, LightGBM und CatBoost – mit Open‑Source‑LLMs, die über die OpenRouter‑API zugänglich sind. Die reinen ML‑Ensembles erreichten bereits eine beeindruckende Genauigkeit von 95,78 % und einen ROC‑AUC‑Wert von 0,96.

Die LLMs allein erzielten in Zero‑Shot‑Szenarien 78,9 % und in Few‑Shot‑Szenarien 72,6 % Genauigkeit. Durch die Kombination der ML‑Ensembles mit dem Gemini 2.5 Flash‑Modell entstand ein hybrides System, das die Genauigkeit auf 96,62 % und den ROC‑AUC auf 0,97 steigerte. Damit demonstriert die Studie, dass LLMs besonders dann von Nutzen sind, wenn sie mit etablierten ML‑Modellen zusammenarbeiten.

Der hybride Ansatz stärkt die Vorhersagekraft in unsicheren Situationen und zeigt, dass strukturierte tabellarische Daten optimal mit LLM‑Reasoning integriert werden können. Dies eröffnet neue Perspektiven für zuverlässigere klinische Entscheidungshilfen, die sowohl die Präzision von ML‑Ensembles als auch die Flexibilität von LLMs nutzen.

Die Ergebnisse legen den Grundstein für weiterführende Forschung, die darauf abzielt, robuste, klinisch einsetzbare Tools zu entwickeln, die Ärzten bei der Früherkennung und Behandlung von Herzkrankheiten unterstützen.