Integrative multimodale hybride Datenfusion zur Mortalitätsvorhersage

Warum bessere Vorhersagen auf der Intensivstation wichtig sind

Wenn bei einem Patienten auf der Intensivstation die Nieren plötzlich versagen, müssen Ärztinnen und Ärzte schnell einschätzen, wer am stärksten vom Sterberisiko bedroht ist und die intensivste Behandlung benötigt. Heute beruhen diese Entscheidungen auf Erfahrung und auf Scores, die nur einen begrenzten Ausschnitt der Patientendaten nutzen. Diese Studie stellt eine einfache, aber folgenreiche Frage: Wenn wir künstliche Intelligenz gleichzeitig viele Arten von Krankenhausdaten ansehen lassen — Herzsignale, Laborwerte und ärztliche Notizen — kann sie dann genauer warnen, wann ein Patient mit akutem Nierenversagen wirklich in Gefahr ist?

Den Patienten aus vielen Blickwinkeln sehen

Akutes Nierenversagen (AKI) ist häufig und gefährlich, betrifft im Lebensverlauf etwa eine von zehn Personen und trägt zu Zehntausenden von Todesfällen pro Jahr bei. Klinikerinnen und Kliniker sichten bereits viele Informationsströme — Vitalwerte, Bluttests, EKG-Streifen und umfangreiche narrative Notizen — um einzuschätzen, wer sich verbessert oder verschlechtert. Die meisten computergestützten Werkzeuge nutzen jedoch nur einen dieser Ströme, zum Beispiel Laborwerte oder ein einzelnes Scoresystem. Das ist, als wollte man einen komplexen Film verstehen, indem man nur den Dialog hört oder ohne Ton zusieht. Die Forschenden wollten ein KI-System entwickeln, das im Grunde den ganzen Film ansehen kann, indem es drei zentrale Informationsarten kombiniert, wie sie in modernen Intensivstationen gesammelt werden.

Unordentliche Krankenhausdaten in eine gemeinsame Sprache überführen

Das Team verwendete große, öffentlich verfügbare Krankenhausdatenbanken eines US-Lehrkrankenhauses. Strukturierte Aufzeichnungen aus dem MIMIC-IV-Datensatz lieferten Millionen Einträge zu Vitalwerten, Laborergebnissen, Prozeduren, Diagnosen und demografischen Daten. EKG-Daten ergänzten dies um detaillierte Momentaufnahmen der elektrischen Herzaktivität. Texte aus ärztlichen Notizen lieferten reichhaltige Beschreibungen von Symptomen, Behandlungen und klinischen Einschätzungen. Jede Datenart erforderte umfangreiche Aufbereitung: Rauschen und Ausreißer in Labor- und Überwachungsdaten mussten entfernt werden, rohe EKG-Signale gefiltert und normalisiert sowie Kopfzeilen und Identifikatoren aus den Notizen gestrichen werden, bevor sie in ein Sprachmodell eingespeist wurden, das denen ähnelt, die in modernen Chatbots verwendet werden. Für die tabellarischen Werte berechneten die Autorinnen und Autoren aus Zehntausenden möglicher Messgrößen 500 besonders informative Merkmale, gruppiert in klinisch vertraute Themen wie Nierenfunktion, Leberenzyme, Blutdruck, Atmungsstatus und neurologische Scores.

Mehrere Datenströme mit KI verschmelzen

Im Kern der Arbeit steht die Frage, wie diese sehr unterschiedlichen Eingaben zusammengeführt werden. Die Forschenden verglichen drei Strategien. Bei der „early fusion“ wurden alle Eingaben in numerische Vektoren umgewandelt, sofort kombiniert und durch ein tiefes neuronales Netzwerk geleitet, das von Bild­erkennungsmodellen inspiriert ist. Bei der „late fusion“ durchlief jeder Datentyp zunächst ein spezialisiertes Netzwerk — eines für Tabellen, eines für EKG und eines für Text — und erst dann wurden die Ausgaben zusammengeführt. In ihrem „hybriden“ Ansatz wurden die tabellarischen und EKG-Pfade früher zusammengeführt, während die Textnoten erst in einem späteren Stadium hinzugefügt wurden. Aufmerksamkeitsmechanismen — Softwarekomponenten, die lernen, sich auf die informativsten Teile jeder Eingabe zu konzentrieren — halfen den Netzwerken zu entscheiden, welche Signale aus jeder Modalität für die Überlebensvorhersage am wichtigsten waren.

Wie gut sagte das Modell das Sterberisiko voraus?

Die Autorinnen und Autoren testeten zunächst einfachere Modelle, die jeweils nur einen Datentyp verwendeten. Diese Einzeldaten-Modelle schnitten ordentlich ab, verfehlten jedoch jeweils wichtige Fälle: Textbasierte Modelle zum Beispiel erkannten häufig nicht Patienten, die später starben, während EKG-basierte Modelle stark schwankten, je nachdem, wie sie trainiert wurden. Als alle drei Datenquellen kombiniert wurden, verbesserte sich die Leistung deutlich. Das beste hybride Fusionsmodell erreichte eine Fläche unter der ROC-Kurve (AUC) von etwa 0,96 und eine Genauigkeit von über 93 % bei der Vorhersage, ob AKI-Patienten auf der Intensivstation während ihres Krankenhausaufenthalts sterben würden. Das übertraf die meisten früheren Studien in diesem Bereich erheblich, die typischerweise AUC-Werte unter 0,90 berichteten. Statistische Tests zeigten, dass die hybride Strategie die stabilsten und ausgewogensten Ergebnisse lieferte und sowohl verpasste Todesfälle als auch unnötige Alarme im Vergleich zu den anderen Fusionsmethoden reduzierte.

Versprechen, Vorbehalte und Bedeutung für Patienten

Für Nichtfachleute ist die Kernbotschaft einfach: KI-Werkzeuge, die viele Aspekte des Zustands eines Patienten gleichzeitig betrachten, können Gefahren zuverlässiger voraussehen als Werkzeuge, die sich auf einen einzigen Datenstrom konzentrieren. Für AKI-Patienten auf der Intensivstation könnte das frühere Warnungen, gezieltere Behandlungen und eine bessere Nutzung begrenzter ICU-Ressourcen bedeuten. Die Autorinnen und Autoren betonen jedoch, dass ihre Studie auf Daten aus nur einem Krankenhaus­system beruht und auf komplexen „Black-Box“-Modellen, die für Kliniker schwer zu interpretieren sind. Sie fordern weitere Arbeiten, um solche Werkzeuge erklärbar zu machen, mit fehlenden Daten umzugehen, wenn nicht alle Tests verfügbar sind, und sicherzustellen, dass die Algorithmen verschiedene Patientengruppen fair behandeln. Trotz dieser Vorbehalte zeigt die Studie, wie das Zusammenweben von Zahlen, Wellenformen und Worten Computern eine menschlichere, ganzheitlichere Sicht auf kritisch kranke Patienten geben kann — und potenziell Leben retten hilft.

Zitation: Abuhamad, H., Zainudin, S. & Abu Bakar, A. Integrative multimodal hybrid data fusion for mortality prediction. Sci Rep 16, 5803 (2026). https://doi.org/10.1038/s41598-026-36296-6

Schlüsselwörter: akutes Nierenversagen, Intensivpflege, multimodales maschinelles Lernen, Mortalitätsvorhersage, klinische Entscheidungsunterstützung