Neues End-to-End-Framework erkennt Sepsis frühzeitig mit 93,5 % Genauigkeit

Sepsis ist eine lebensbedrohliche Erkrankung, die in Intensivstationen rasch erkannt werden muss. Traditionelle Machine‑Learning‑Methoden wie Naive Bayes, SVM, Random Forest und XGBoost setzen häufig auf manuelle Feature‑Engineering‑Schritte und haben Schwierigkeiten, mit unregelmäßigen und unvollständigen Zeitreihen aus elektronischen Gesundheitsakten umzugehen.

Das neue End‑to‑End‑Deep‑Learning‑Framework kombiniert einen unüberwachten Autoencoder zur automatischen Merkmalextraktion mit einem mehrschichtigen Perzeptron (MLP) für die binäre Sepsis‑Risiko‑Vorhersage. Durch eine maßgeschneiderte Down‑Sampling‑Strategie werden hochinformative Segmente während des Trainings ausgewählt, während ein nicht‑überlappendes, dynamisches Sliding‑Window die Echtzeit‑Inference ermöglicht.

Die vorverarbeiteten Zeitreihen werden als Vektoren fester Dimension mit expliziten Fehlermarkierungen dargestellt, wodurch Verzerrungen und Rauschen reduziert werden. In drei unterschiedlichen ICU‑Kohorten erzielte das Modell Genauigkeiten von 74,6 %, 80,6 % und 93,5 %, was die traditionellen Baselines deutlich übertrifft. Diese Ergebnisse unterstreichen die überlegene Robustheit, Generalisierbarkeit und klinische Nützlichkeit des Ansatzes für die frühzeitige Sepsis‑Erkennung in heterogenen Intensivumgebungen.