Künstliche Intelligenz prognostiziert COVID-19 Aufenthaltsdauer mit Oversampling

Die weltweite COVID‑19‑Pandemie hat gezeigt, wie unterschiedlich die Erkrankung verläuft – von milden Symptomen wie Fieber und Husten bis hin zu schweren Atemnotfällen, die lange Krankenhausaufenthalte oder sogar den Tod bedeuten können. Um die Schwere einer Infektion besser vorhersagen zu können, nutzt ein neues Forschungsprojekt die Länge des Krankenhausaufenthalts (LOS) als Messgröße.

Die Analyse basiert auf elektronischen Gesundheitsakten (EHR) von Patienten. Da die meisten Fälle einen kurzen LOS aufweisen, handelt es sich um ein stark unausgeglichenes Klassifikationsproblem. Um diesem Ungleichgewicht entgegenzuwirken, erzeugt das Team synthetisch übergewichtete Trainingsdatensätze – ein Verfahren, das als Oversampling bekannt ist.

Diese übergewichteten Daten werden anschließend in ein künstliches neuronales Netzwerk (ANN) eingespeist. Während des Trainings werden die Hyperparameter des Modells mithilfe von Bayesianischer Optimierung feinjustiert, um die bestmögliche Leistung zu erzielen. Der Ansatz wählt schließlich das Modell mit dem höchsten F1‑Score aus und bewertet es anschließend gründlich.

Ergebnisse zeigen, dass Oversampling in Kombination mit einem optimierten ANN die Vorhersagegenauigkeit für die Aufenthaltsdauer von COVID‑19‑Patienten deutlich verbessert. Diese Methode bietet damit ein vielversprechendes Werkzeug für die klinische Entscheidungsfindung und die Ressourcenplanung in Krankenhäusern.