CafeMed: Dynamische Kausalität & Attention für bessere Medikamentenempfehlungen

Die Entwicklung von Medikamentenempfehlungssystemen ist ein entscheidender Schritt, um Ärzten bei der Auswahl individueller Behandlungspläne zu helfen. Trotz großer Fortschritte in der Lernphase von Medikamentenrepräsentationen stoßen aktuelle Modelle an zwei Grenzen: Sie behandeln medizinische Entitäten als unabhängige Merkmale und nutzen statische kausale Beziehungen, die nicht auf den spezifischen Zustand eines Patienten reagieren.

Um diese Schwächen zu überwinden, präsentiert das neue Framework CafeMed, das dynamische kausale Logik mit cross‑modaler Aufmerksamkeit kombiniert. Zwei zentrale Bausteine bilden die Grundlage: der Causal Weight Generator (CWG) wandelt feste kausale Effekte in patientenspezifische Modulationsgewichte um, während das Channel Harmonized Attention Refinement Module (CHARM) komplexe Wechselwirkungen zwischen Diagnosen und Verfahren erfasst.

Durch die dynamische Anpassung der kausalen Gewichte kann CafeMed die gemeinsamen Einflüsse verschiedener medizinischer Zustände auf die Medikation berücksichtigen, ohne die Sicherheit zu gefährden. Gleichzeitig ermöglicht die Attention‑Mechanik eine fein abgestimmte Berücksichtigung multimodaler Informationen.

Umfangreiche Tests auf den MIMIC‑III- und MIMIC‑IV-Datensätzen zeigen, dass CafeMed die führenden Baselines deutlich übertrifft. Die Genauigkeit bei der Vorhersage von Medikamenten steigt, während gleichzeitig die Raten von Arzneimittel‑Arzneimittel‑Interaktionen gesenkt werden.

Die Ergebnisse verdeutlichen, dass die Integration dynamischer kausaler Beziehungen und cross‑modaler Synergien zu klinisch relevanteren und personalisierten Medikamentenempfehlungen führt – ein bedeutender Fortschritt für die Praxis der evidenzbasierten Medizin.