Neues Deep‑Learning-Modell verbessert Prognosen bei konkurrierenden Risiken

Ein neues Deep‑Learning‑Framework namens Functional Competing Risk Net (FCRN) wurde vorgestellt, das die Analyse von Überlebensdaten mit konkurrierenden Risiken in diskreter Zeitform revolutioniert. Das Modell integriert nahtlos funktionale Kovariaten und behandelt fehlende Werte in einem einzigen End‑to‑End‑Ansatz.

FCRN kombiniert einen Mikro‑Netzwerk‑Basislayer zur Darstellung von funktionalen Daten mit einem gradientsbasierten Imputationsmodul. Dadurch lernt das System gleichzeitig, fehlende Werte zu schätzen und risikospesifische Hazard‑Raten vorherzusagen, ohne dass separate Vorverarbeitungsschritte nötig sind.

In umfangreichen Simulationen sowie in einer realen Intensivstation‑Studie, die die MIMIC‑IV‑ und Cleveland‑Clinic‑Datensätze nutzte, zeigte FCRN deutlich bessere Vorhersagegenauigkeit als Random‑Survival‑Forests und klassische Modelle für konkurrierende Risiken.

Diese Fortschritte ermöglichen eine präzisere Prognose in der Intensivmedizin, indem dynamische Risikofaktoren und statische Prädiktoren effektiver erfasst und unregelmäßige, unvollständige Daten berücksichtigt werden.