PREBA: LLM-basierte Operationsdauer-Vorhersage mit PCA-gestützter Retrieval

Die präzise Vorhersage der Operationsdauer ist ein entscheidender Faktor für die effiziente Planung von Krankenhausressourcen. Aktuelle Ansätze, die von klassischen Machine‑Learning‑Modellen bis hin zu feinabgestimmten Large‑Language‑Models (LLMs) reichen, erzielen zwar gute Ergebnisse, erfordern jedoch umfangreiche, qualitativ hochwertige Labels und aufwändige Trainingsprozesse.

Im Gegensatz dazu bietet die Zero‑Shot‑Inference von LLMs eine trainingsfreie Alternative, die jedoch häufig ohne Berücksichtigung institutioneller Besonderheiten wie lokaler Demografie oder spezifischer Fallmischungen auskommt. Das führt zu klinisch unpassenden und instabilen Prognosen.

PREBA (PCA‑Weighted Retrieval‑Augmented LLMs with Bayesian Averaging) löst dieses Problem, indem es LLM‑Vorhersagen mit evidenzbasierten Kontexten und statistischen Prioritäten verankert. Zunächst werden heterogene klinische Merkmale in einen einheitlichen Repräsentationsraum kodiert, sodass ein systematischer Abruf relevanter Vorgänge möglich ist. Durch PCA‑gewichtetes Retrieval werden die klinisch ähnlichsten historischen Operationen identifiziert und als Evidenz in den Prompt des LLMs eingebettet.

Anschließend kombiniert PREBA die mehrfache LLM‑Ausgabe mit population‑basierten statistischen Prioritäten mittels Bayesscher Mittelung. Das Ergebnis sind kalibrierte, klinisch plausible Dauerabschätzungen, die sowohl die individuellen Besonderheiten der Einrichtung als auch die generelle Verteilung der Operationszeiten berücksichtigen.

In Tests auf zwei realen klinischen Datensätzen zeigte PREBA eine signifikante Verbesserung der Vorhersagegenauigkeit und Stabilität gegenüber herkömmlichen Modellen. Die Methode demonstriert, wie moderne Sprachmodelle ohne umfangreiches Training durch gezielte Retrieval‑ und Bayesian‑Aggregation in die Praxis von Operationsplanung und Ressourcenmanagement integriert werden können.