KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-22
Vorhersage akuter intrakranieller Gefäßereignisse in Schlaganfall-Warnungen mithilfe großer Sprachmodelle und strukturierter Daten
Originaltitel: Predicting acute intracranial vascular events in stroke alerts using large-language models and structured data
Schlaganfall-Alarme werden häufig für nicht-zerebrovaskuläre Erkrankungen ausgelöst, wodurch falsch-positive Fälle entstehen, die Ressourcen belasten. Forschende entwickelten Machine-Learning-Modelle, die große Sprachmodelle, strukturierte Daten aus elektronischen Patientenakten und klinische Zeitreihen-Merkmale kombinieren, um akute intrakranielle Gefäßereignisse bei der Auslösung eines Schlaganfall-Alarms vorherzusagen; dabei wurden retrospektive Alarme des Mount Sinai Health System verwendet. Von 16,512 Alarmen erreichte das multimodale Modell eine AUROC von 0.73 mit einer Sensitivität von 0.76 und einer Spezifität von 0.56, was darauf hindeutet, dass es die Risikostratifizierung nach der Aktivierung unterstützen und falsch-positive Untersuchungen reduzieren könnte.