CURENet: Multimodale KI verbessert Vorhersage chronischer Krankheiten

Ein neues Modell namens CURENet nutzt die Kraft großer Sprachmodelle und Transformer‑Encoder, um die vielfältigen Daten aus elektronischen Gesundheitsakten (EHR) zu vereinen. Dabei werden unstrukturierte klinische Notizen, Laborwerte und zeitlich geordnete Besuchsdaten gleichzeitig verarbeitet, sodass die komplexen Wechselwirkungen zwischen diesen Quellen erfasst werden.

Durch die Kombination von LLM‑basierten Textverarbeitungen und sequenziellen Encodern kann CURENet die zeitlichen Muster und redundanten Informationen in den EHRs besser nutzen. Das Ergebnis ist ein deutlich zuverlässigeres Vorhersagemodell für chronische Erkrankungen, das die Interaktion zwischen unterschiedlichen Datentypen berücksichtigt.

In Tests mit den öffentlichen MIMIC‑III‑ und den privaten FEMH‑Datensätzen erreichte CURENet mehr als 94 % Genauigkeit bei der Vorhersage der zehn häufigsten chronischen Erkrankungen im Multi‑Label‑Framework. Diese Leistung unterstreicht das enorme Potenzial multimodaler EHR‑Integration, die klinische Entscheidungsfindung zu optimieren und die Versorgung von Patienten nachhaltig zu verbessern.