Neues Diffusionsmodell generiert EHRs in Echtzeit – 50 Schritte statt 1.000

Ein neues kontinuierliches Diffusionsframework verspricht, die Synthese von elektronischen Gesundheitsakten (EHRs) zu revolutionieren. Während herkömmliche Modelle auf diskrete Zeitschritte angewiesen sind, nutzt das neue Verfahren einen bidirektionalen GRU‑Backbone, um zeitliche Abhängigkeiten exakt zu erfassen.

Das System kombiniert numerische und kategoriale Daten über eine einheitliche Gaußsche Diffusion, die lernbare kontinuierliche Einbettungen für kategoriale Variablen nutzt. Dadurch wird ein gemeinsames Modell aller Features ermöglicht, das die komplexen Wechselwirkungen in klinischen Zeitreihen besser abbildet.

Ein weiterer Fortschritt ist die faktorisierte, lernbare Rauschplanung, die sich an die Lernschwierigkeiten einzelner Features und Zeitschritte anpasst. In Tests an zwei großen Intensivstation‑Datensätzen übertraf das Modell bestehende Ansätze in Bezug auf Aufgabenleistung, Verteilungsgenauigkeit und Unterscheidbarkeit – und das bei nur 50 Sampling‑Schritten im Vergleich zu 1.000 bei klassischen Modellen.

Dank classifier‑free Guidance lässt sich das Modell zudem effektiv für bedingte Generationen in klinischen Szenarien mit Klassenungleichgewicht einsetzen, was die praktische Anwendbarkeit in der Forschung und Praxis deutlich erhöht.