Genauigkeit und Interpretierbarkeit sind zwei dominante Merkmale erfolgreicher Vorhersagemodelle. In der Regel muss eine Wahl getroffen werden zugunsten komplexer Black-Box-Modelle wie Rekurrenter Neuronaler Netze (RNN) für Genauigkeit oder weniger genauer, aber interpretierbarerer traditioneller Modelle wie der logistischen Regression. Diese Trade-off stellen in der Medizin, wo sowohl Genauigkeit als auch Interpretierbarkeit von Bedeutung sind, Herausforderungen dar. Wir haben diese Herausforderung angegangen, indem wir das REverse Time AttentIoN Modell (RETAIN) entwickelt haben, das auf Daten von Elektronischen Gesundheitsakten (EHR) angewendet werden kann. RETAIN erreicht eine hohe Genauigkeit und bleibt dennoch klinisch interpretierbar. Es basiert auf einem zweistufigen neuronalen Aufmerksamkeitsmodell, das einflussreiche vergangene Besuche und signifikante klinische Variablen innerhalb dieser Besuche (z.B. wichtige Diagnosen) erkennt. RETAIN imitiert die ärztliche Praxis, indem es die EHR-Daten in umgekehrter Zeitfolge verarbeitet, sodass jüngere klinische Besuche wahrscheinlich eine höhere Aufmerksamkeit erhalten. RETAIN wurde anhand eines großen EHR-Datensatzes eines Gesundheitssystems getestet, der 14 Millionen Besuche von 263.000 Patienten über einen Zeitraum von 8 Jahren umfasst. Es zeigte eine vorhersagende Genauigkeit und rechnerische Skalierbarkeit, die mit den neuesten Methoden wie RNN vergleichbar sind, sowie eine Interpretierbarkeit, die den traditionellen Modellen entspricht.