Transformer‑Hawkes‑Prozess revolutioniert Patientenpfadvorhersagen

Im Gesundheitswesen entstehen Patientenpfade aus unregelmäßig zeitlich verteilten Ereignissen – von ambulanten Besuchen über stationäre Aufnahmen bis hin zu Notfallkontakten. Diese individuellen Pfade liefern entscheidende Hinweise auf Nutzungsmuster und zukünftige Pflegebedürfnisse, sind jedoch schwer zu modellieren, weil die Zeitpunkte stark variieren und seltene, aber klinisch wichtige Ereignisse im Vergleich zu häufigen auftreten.

In der aktuellen Studie wird ein neuartiger Ansatz vorgestellt, der die Transformer‑Hawkes‑Process‑Architektur nutzt. Durch die Kombination von Transformer‑basiertem Encoding der Vorgeschichte mit den dynamischen Eigenschaften des Hawkes‑Prozesses kann das Modell Abhängigkeiten zwischen Ereignissen erfassen und gleichzeitig sowohl die Art des nächsten Ereignisses als auch dessen Auftretenszeit vorhersagen.

Um die extreme Klassenungleichheit zu überwinden, wird eine balancierte Trainingsstrategie eingeführt, die inverse Quadratwurzel‑Gewichtung der Klassen verwendet. Diese Methode erhöht die Empfindlichkeit gegenüber seltenen, aber klinisch relevanten Ereignissen, ohne die zugrunde liegende Datenverteilung zu verändern.

Experimentelle Ergebnisse auf realen Patientendaten zeigen, dass der Ansatz die Vorhersagegenauigkeit verbessert und gleichzeitig wertvolle klinische Erkenntnisse liefert. Insbesondere ermöglicht er die Identifikation von Hochrisikopatienten, was die gezielte Prävention und Ressourcenplanung im Gesundheitswesen unterstützt.