Kostenbewusste KI-Pipeline steigert Genauigkeit bei Herzinsuffizienz
Ein neues Framework namens Cost‑Aware Prediction (CAP) verbindet maschinelles Lernen mit großen Sprachmodellen, um die Kosten‑Nutzen‑Abwägung von Vorhersagen transparent zu machen. Ziel ist es, nicht nur präzise Prognosen zu liefern, sondern auch deren klinische Auswirkungen und wirtschaftlichen Folgen verständlich zu kommunizieren.
Im Rahmen der Studie wurde ein XGBoost‑Modell entwickelt, das die 1‑Jahres‑Mortalität von 30.021 Herzinsuffizienzpatienten vorhersagt. Mit einer AUROC von 0,804, einer AUPRC von 0,529 und einem Brier‑Score von 0,135 erreichte das Modell eine solide Genauigkeit, die es ermöglicht, Patienten für eine häusliche Versorgung zu identifizieren.
Zur Visualisierung der Kosten wurden Clinical Impact Projection (CIP)‑Kurven eingeführt, die Qualitäts‑ und Kostenaspekte – einschließlich Behandlungskosten und Fehlerkosten – über verschiedene Entscheidungsschwellen hinweg darstellen. Vier LLM‑Agenten generierten zudem patientenspezifische Beschreibungen, die die individuellen Kosten‑Nutzen‑Profile erläutern. Kliniker bewerteten das System als wertvolle Entscheidungsunterstützung, wobei sie die klare Darstellung der Kosten‑Komposition lobten.
Die Ergebnisse zeigen, dass die Kombination aus leistungsfähigem ML und LLM‑unterstützter Kostenanalyse die klinische Entscheidungsfindung verbessern kann. Das System wurde von den Fachärzten positiv aufgenommen, wobei weitere Optimierungen zur Feinabstimmung der Kosten‑Nutzen‑Analyse angeregt wurden.