Neues Graph-Convolution-Modell verbessert Sepsis-Erkennung in der Intensivpflege

In einer aktuellen Studie aus China wurde ein neues Modell namens Triplet-GCN vorgestellt, das die Erkennung von Sepsis in der Intensivpflege deutlich verbessert.

Das Modell nutzt Graph Convolutional Networks, um jede Patientenaufnahme als Tripel aus Patient, Merkmal und Messwert darzustellen. Durch die Konstruktion eines bipartiten EHR-Graphen und die gezielte Vorverarbeitung – Median‑Imputation, Standardisierung, Effekt‑Coding und Modus‑Imputation – werden die Daten optimal vorbereitet.

In einem retrospektiven, mehrzentralen Datensatz mit 648 Patienten zeigte Triplet-GCN gegenüber klassischen tabellarischen Methoden wie KNN, SVM, XGBoost und Random Forest eine höhere Diskriminationskraft und einen besseren Sensitivität‑Spezifität‑Trade‑off. Das Ergebnis bedeutet, dass frühzeitige Warnungen für Sepsis zuverlässiger und nutzbarer werden.

Die Autoren betonen, dass die Tripel‑Darstellung und die Informationsweitergabe über den Patienten‑Merkmal‑Graphen zu aussagekräftigeren Patientenrepräsentationen führen. Das Modell bietet damit einen einfachen, end‑to‑end Ansatz, der in klinischen Systemen eingesetzt werden kann.