ProtoEHR: Hierarchisches Prototypenlernen verbessert EHR‑basierte Vorhersagen

Mit dem neuen Ansatz ProtoEHR können digitale Gesundheitsdaten aus elektronischen Patientenakten (EHR) viel besser genutzt werden. Der Entwickler nutzt große Sprachmodelle, um aus den medizinischen Codes ein semantisches Wissensnetzwerk zu bauen und damit die Beziehungen zwischen Diagnosen, Behandlungen und Patienten zu verstehen.

ProtoEHR arbeitet in drei Ebenen: einzelne medizinische Codes, einzelne Krankenhausaufenthalte und die Patienten selbst. Durch ein hierarchisches Repräsentationslernen werden kontextabhängige Merkmale auf jeder Ebene erfasst. Zusätzlich werden Prototypen eingeführt, die typische Muster innerhalb jeder Ebene repräsentieren und so die Ähnlichkeit von Patientenfällen hervorheben. Diese Kombination erhöht die Genauigkeit und die Generalisierbarkeit der Vorhersagen.

In umfangreichen Tests auf zwei öffentlichen Datensätzen wurden fünf klinisch relevante Aufgaben untersucht: Sterblichkeits‑, Wiederaufnahme‑, Aufenthaltsdauer‑, Medikamenten‑ und Phänotypvorhersagen. ProtoEHR übertraf dabei die bisherigen Baselines in Bezug auf Genauigkeit, Robustheit und Interpretierbarkeit. Der Ansatz liefert somit ein vielversprechendes Werkzeug für die klinische Entscheidungsunterstützung, das sowohl leistungsfähig als auch nachvollziehbar ist.