Prognose individueller Krankheitsverläufe mit interpretierbarem Deep Learning

Krankheitsprogressionsmodelle sind entscheidend für die Vorhersage individueller Gesundheitstrajektorien und das Verständnis von Krankheitsdynamiken. Bestehende Modelle können entweder genaue Prognosen der Patientenverläufe oder klinisch interpretierbare Darstellungen der Krankheitspathophysiologie liefern, aber nicht beides. In dieser Arbeit entwickeln wir das Phased Attentive State Space (PASS)-Modell der Krankheitsprogression, ein tiefes probabilistisches Modell, das komplexe Darstellungen der Krankheitsprogression erfasst, während es die klinische Interpretierbarkeit beibehält. Im Gegensatz zu markowschen Zustandsraummodellen, die memorylose Dynamiken annehmen, verwendet PASS einen Aufmerksamkeitsmechanismus, um „gedächtnisreiche“ Zustandsübergänge zu induzieren. Dabei werden wiederholt aktualisierte Aufmerksamkeitsgewichte verwendet, um sich auf vergangene Zustandsrealisierungen zu konzentrieren, die zukünftige Zustände am besten vorhersagen. Dies führt zu komplexen, nichtstationären Zustandsdynamiken, die durch die generierten Aufmerksamkeitsgewichte interpretierbar bleiben, welche die Beziehungen zwischen den realisierten Zustandsvariablen für einzelne Patienten festlegen. PASS verwendet phasenweise LSTM-Einheiten (mit Zeitgattern, die durch parametrisierte Oszillationen gesteuert werden), um in kontinuierlicher Zeit die Aufmerksamkeitsgewichte zu generieren. Dies ermöglicht es, unregelmäßig abgetastete und potentiell fehlende medizinische Beobachtungen zu verarbeiten. Experimente mit Daten aus einer realen Patientenkohorte zeigen, dass PASS erfolgreich den Kompromiss zwischen Genauigkeit und Interpretierbarkeit wahrnimmt: Es zeigt eine überlegene Vorhersagegenauigkeit und lernt aufschlussreiche individuelle Darstellungen der Krankheitsprogression.