Autoregressive Modelle erzeugen realistische Gegenfaktische Patientenverläufe

Eine neue Studie aus dem arXiv-Repository präsentiert ein autoregressives generatives Modell, das in der Lage ist, realistische Gegenfaktische Patientenverläufe zu erzeugen. Das Konzept der Gegenfaktischen Simulation – die Untersuchung hypothetischer Konsequenzen unter alternativen klinischen Szenarien – verspricht bahnbrechende Anwendungen in der personalisierten Medizin und in silico‑Studien, stößt jedoch bislang auf methodische Hürden.

Das Modell wurde auf mehr als 300.000 Patienten und 400 Millionen Einträgen aus realen Patientendaten trainiert. Durch die selbstüberwachte, autoregressive Architektur kann es komplexe zeitliche Abhängigkeiten in den Daten erfassen und daraus plausible, aber hypothetische Verlaufsszenarien generieren.

Zur Validierung wurden Krankenhauspatienten mit COVID‑19 im Jahr 2023 simuliert, wobei Alter, Serum‑C‑reaktives Protein (CRP) und Serum‑Kreatinin variiert wurden. Die Simulationen zeigten, dass ein höheres Alter, ein erhöhter CRP‑Wert und ein erhöhtes Kreatinin zu einer gesteigerten In‑hospital‑Mortalität führen. Gleichzeitig stieg die Verordnung von Remdesivir bei höheren CRP‑Werten, während bei eingeschränkter Nierenfunktion die Rezepte zurückgingen. Diese Ergebnisse spiegeln bekannte klinische Muster wider.

Die Studie demonstriert, dass autoregressive generative Modelle, die auf umfangreichen realen Daten trainiert wurden, eine solide Grundlage für Gegenfaktische klinische Simulationen bieten. Damit eröffnen sich neue Möglichkeiten, hypothetische Behandlungsoptionen zu evaluieren und die Entscheidungsfindung in der Medizin zu unterstützen.