Neues Deep-Learning-Modell prognostiziert frühzeitig GVHD bei Lebertransplantationen

Graft‑versus‑Host‑Disease (GVHD) ist eine seltene, aber häufig tödliche Komplikation nach Lebertransplantationen. Ein neues Forschungsprojekt nutzt Multi‑Modal‑Deep‑Learning, um die frühzeitige Vorhersage von GVHD zu verbessern und damit rechtzeitigere Interventionen zu ermöglichen.

Die Analyse stützt sich auf elektronische Gesundheitsakten (EHR) von 2.100 Lebertransplantationspatienten aus der Mayo‑Clinic, die zwischen 1992 und 2025 behandelt wurden. Unter diesen Patienten traten 42 GVHD‑Fälle auf. Die Daten umfassen vier Hauptmodalitäten: Demografie, Laborwerte, Diagnosen und Medikamente.

Das entwickelte Modell kombiniert diese Modalitäten dynamisch, verarbeitet unregelmäßige Aufzeichnungen mit fehlenden Werten und adressiert die extreme Klassenungleichheit durch AUC‑basierte Optimierung. Im Vergleich zu herkömmlichen Einzel‑ und Mehrmodal‑Machine‑Learning‑Baselines erzielt das System einen AUC von 0,836, einen AUPRC von 0,157, eine Sensitivität von 0,768 und eine Spezifität von 0,803.

Diese Ergebnisse zeigen deutlich, dass das Multi‑Modal‑Deep‑Learning‑Framework die bestehenden Ansätze für die frühzeitige GVHD‑Vorhersage übertrifft. Durch die effektive Nutzung heterogener EHR‑Daten und die Bewältigung von Ungleichgewichten liefert es präzisere Prognosen, die potenziell die Überlebensraten und die Behandlungsergebnisse von Lebertransplantationspatienten verbessern können.