Klinische Outcome-Vorhersage aus Aufnahmeprotokollen durch selbstüberwachte Wissensintegration

Die Prognose von Krankheitsausgängen aus klinischen Texten kann dazu beitragen, dass Ärzte mögliche Risiken nicht übersehen und Krankenhäuser Kapazitäten besser planen können. Wir simulieren Patienten zur Aufnahmzeit, wenn Entscheidungsunterstützung besonders wertvoll sein kann, und präsentieren eine neue Aufgabe vom Einlieferungstermin bis zur Entlassung mit vier gängigen Prognosezielen: Diagnosen bei der Entlassung, durchgeführte Eingriffe, In-Hospital-Mortalität und Aufenthaltsdauerprognose. Das ideale System sollte die Krankheitsausgänge auf Basis von Symptomen, Vorbedingungen und Risikofaktoren des Patienten ableiten können. Wir evaluieren die Effektivität von Sprachmodellen für diese Situation und schlagen eine klinische Prognosevorabtrainierung vor, um Wissen über Patientenausgänge aus mehreren öffentlichen Quellen zu integrieren. Darüber hinaus stellen wir eine einfache Methode vor, um die Hierarchie der ICD-Codes in die Modelle einzubinden. Unsere Ergebnisse zeigen, dass unser Ansatz die Leistung bei den Prognoseaufgaben gegenüber mehreren Baseline-Methoden verbessert. Eine detaillierte Analyse enthüllt weitere Stärken des Modells, darunter seine Übertragbarkeit, aber auch Schwächen wie die Verarbeitung von Vitalwerten und Inkonsistenzen in den zugrunde liegenden Daten.