Effiziente Analyse von Patientendaten

Elektronische Gesundheitsakten (EHRs) sind eine wertvolle Datenquelle für die medizinische Forschung. Sie ermöglichen personalisierte Vorhersagen, Diagnosen und Behandlungsempfehlungen. Wissenschaftler des Forschungszentrums L3S haben nun IVP-VAE vorgestellt, ein Modell, das eine genaue und effiziente Analyse von EHRs ermöglicht.

EHR-Daten werden häufig unregelmäßig erfasst, was bedeutet, dass Messungen in ungleichen Zeitabständen vorgenommen werden, teilweise Datenpunkte fehlen und die Sequenzen in ihrer Länge variieren. Diese Komplexitäten machen die Analyse von EHR-Daten besonders herausfordernd für bestehende Modelle wie rekurrente neuronale Netze (RNNs) und Transformer. „Unsere Arbeit zeigt, dass wir diese Hürden überwinden können, indem wir unregelmäßige Zeitreihen als kontinuierliche Prozesse modellieren und sie als sogenannte Anfangswertprobleme (IVPs) lösen“, sagt Jingge Xiao, Erstautor der Studie.

Das neuartige Modell IVP-VAE kombiniert Variational Autoencoders (VAE) mit IVP-Solvern, um Zeitreihen gleichzeitig und nicht-sequentiell zu verarbeiten. Diese Parallelisierung reduziert die Berechnungszeit erheblich und erlaubt die direkte Modellierung kontinuierlicher Prozesse. Ein weiterer Clou: Durch die Umkehrbarkeit der IVP-Solver können Encoder und Decoder dieselben Rechenprozesse nutzen, was die Modellkomplexität senkt.

„Mit IVP-VAE erreichen wir eine bis zu 40-fache Beschleunigung gegenüber bestehenden Modellen, ohne dabei die Genauigkeit zu opfern“, betont Xiao. Auf drei realen Datensätzen – darunter der bekannte MIMIC-IV-Datensatz – zeigte IVP-VAE konstant bessere Ergebnisse in der Klassifikation und Vorhersage von Zeitreihen. Besonders beeindruckend ist die Leistung bei kleinen Datensätzen, wie sie in der Analyse seltener Erkrankungen häufig vorkommen.

Die Ergebnisse markieren einen wichtigen Schritt in der datenbasierten Gesundheitsforschung. IVP-VAE bietet nicht nur einen performanten Ansatz für EHR-Daten, sondern zeigt auch Potenzial für andere Anwendungen mit unregelmäßigen Zeitreihen. Wie Xiao anmerkt: „Dieses Modell kann die Grundlage für Fortschritte in der personalisierten Medizin legen und die Effizienz in der klinischen Forschung erheblich steigern.“

Jingge Xiao, Leonie Basso, Wolfgang Nejdl, Niloy Ganguly, Sandipan Sikdar: IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers. AAAI 2024: 16023-16031  ojs.aaai.org/index.php/AAAI/article/view/29534