GraphWalker: Graphbasiertes In-Context-Lernen steigert klinische EHR-Entscheidungen

Die Analyse von elektronischen Gesundheitsakten (EHRs) ist ein zentrales, aber komplexes Problem in der modernen Medizin. In-Context-Learning (ICL) bietet ein vielversprechendes Verfahren, um große Sprachmodelle (LLMs) in Echtzeit an EHR-Daten anzupassen. Bisher stoßen bestehende Ansätze jedoch auf drei wesentliche Hindernisse: Erstens ist die Perspektive begrenzt, weil datenbasierte Ähnlichkeitsmaße nicht immer mit den Anforderungen der LLM-Logik übereinstimmen und modellbasierte Signale durch eingeschränkte klinische Expertise limitiert sind. Zweitens fehlt die Berücksichtigung von Kohortenstrukturen, da Demonstrationen unabhängig voneinander ausgewählt werden. Drittens werden Redundanzen und Wechselwirkungen zwischen Demonstrationen ignoriert, was zu abnehmenden marginalen Gewinnen führt.

Um diese Probleme zu lösen, wurde GraphWalker entwickelt – ein systematisches Framework zur Auswahl von Demonstrationen für EHR-orientiertes ICL. GraphWalker kombiniert daten- und modellbasierte Perspektiven, indem es die klinischen Informationen von Patienten mit dem vom LLM geschätzten Informationsgewinn verknüpft. Durch die Einführung einer Kohortenentdeckung verhindert das System rauschende lokale Optima. Zusätzlich nutzt es einen Lazy-Greedy-Suchalgorithmus mit Frontier-Expansion, um die Effizienz der Informationsaggregation zu maximieren und die abnehmenden marginalen Effekte zu reduzieren.

Umfangreiche Experimente an mehreren realen EHR-Benchmarks zeigen, dass GraphWalker die führenden ICL-Baselines konsequent übertrifft. Die Verbesserungen in der klinischen Entscheidungsfindung sind signifikant und demonstrieren das Potenzial von GraphWalker, die Leistungsfähigkeit von LLMs in der medizinischen Praxis nachhaltig zu steigern. Der zugehörige Code ist frei verfügbar unter GitHub.