MedFuse: Multiplikative Embedding‑Fusion für unregelmäßige Zeitreihen

In elektronischen Gesundheitsakten entstehen klinische Zeitreihen, die von Natur aus unregelmäßig sind – Messungen erfolgen asynchron, Daten fehlen häufig und die Dynamik der Merkmale variiert stark. Traditionelle Einbettungsstrategien kombinieren die Identität eines Merkmals und dessen Wert meist additiv, was die Erfassung wertabhängiger Interaktionen einschränkt.

Mit dem neuen Framework MedFuse wird dieses Problem angegangen. Im Mittelpunkt steht das MuFuse‑Modul, das Wert‑ und Feature‑Embeddings durch eine multiplikative Modulation zusammenführt. Dadurch bleibt die spezifische Information jedes Merkmals erhalten, während gleichzeitig höhere‑Ordnung‑Abhängigkeiten zwischen den Merkmalen modelliert werden.

In Experimenten auf drei realen Datensätzen – sowohl aus der Intensivpflege als auch aus der chronischen Versorgung – übertrifft MedFuse konsequent die führenden Baselines bei wichtigen Vorhersageaufgaben. Die Analyse der erlernten Repräsentationen zeigt, dass die multiplikative Fusion die Ausdruckskraft deutlich steigert und die Möglichkeit eröffnet, Modelle über verschiedene Datensätze hinweg vorzutrainieren.

Die Ergebnisse positionieren MedFuse als vielseitige und leistungsfähige Methode zur Modellierung unregelmäßiger klinischer Zeitreihen und eröffnen neue Perspektiven für die Analyse von Gesundheitsdaten.