Multimodales Maschinelles Lernen nutzen, um intime Partnergewalt zuverlässig zu erkennen

Warum verborgene Warnsignale wichtig sind

Gewalt in einer romantischen Beziehung bleibt oft verborgen, selbst vor Ärztinnen und Ärzten, die die Verletzungen behandeln. Medizinische Unterlagen bewahren jedoch über Jahre hinweg stille Hinweise: wiederholte Notfallbesuche, bestimmte Verletzungsmuster und Notizen zu Schmerzen oder Ängsten. Diese Studie untersucht, ob Computer diese Hinweise früher und verlässlicher lesen können als die heute üblichen einfachen Screening‑Fragen, sodass Frauen, die Gefahr laufen, Opfer intimer Partnergewalt zu werden, lange vor einer Krisensituation Hilfe angeboten werden kann.

Alltägliche Versorgung in ein Frühwarnsystem verwandeln

Die Forschenden nutzten elektronische Patientenakten aus zwei großen US‑Krankenhäusern und konzentrierten sich auf Frauen, die entweder an einem Interventionsprogramm gegen häusliche Gewalt teilgenommen hatten oder medizinisch mit Diagnosen im Zusammenhang mit intimer Partnergewalt erfasst waren. Für jede dieser Frauen wählten sie vergleichbare Patientinnen desselben Alters und ähnlichen Hintergrunds ohne dokumentierte Gewalt, um eine sorgfältig abgeglichene Kontrollgruppe zu erstellen. Ab 2017 lieferte jeder Kontakt dieser Patientinnen mit dem Krankenhaussystem Daten — Diagnosen, Medikamente, Bildgebungsuntersuchungen, Vitalwerte, Notfallbesuche und klinische Notizen wie Radiologieberichte oder Zusammenfassungen von Sozialarbeiterinnen.

Computern beibringen, Zahlen und Erzählungen zu lesen

Das Team entwickelte drei Arten vorhersagender Modelle, jeweils ausgelegt für unterschiedliche Datenreichweiten in der Routineversorgung. Ein Modell nutzte nur strukturierte Informationen wie Diagnosecodes, Medikationsverläufe und Zählungen bestimmter bildgebender Untersuchungen. Ein zweites Modell stützte sich ausschließlich auf freie Textnotizen, die mithilfe moderner medizinischer Sprachmodelle, die ursprünglich auf Millionen klinischer Sätze trainiert wurden, in numerische Repräsentationen transformiert wurden. Das dritte, ein „Fusion“-Modell, kombinierte beide Quellen: Es destillierte Muster aus Tabellen und Texten und speiste die zusammengeführte Information in einen maschinellen Klassifikator. Alle Modelle wurden darauf trainiert, bei jedem Krankenhauskontakt täglich die Frage zu beantworten: Zeigt diese Patientin Anzeichen dafür, dass sie möglicherweise intimem Partnergewalt ausgesetzt ist?

Wie gut die Risikosignale funktionierten

Bei Tests an Frauen, die nicht im Training verwendet wurden, konnten alle drei Modelle Betroffene von ihren abgeglichenen Kontrollen mit hoher Genauigkeit trennen. Die Leistung wird durch eine Kennzahl namens AUC zusammengefasst, wobei 1,0 perfekt und 0,5 zufällig entspricht. Das nur auf tabellarischen Daten basierende Modell erreichte eine AUC von etwa 0,85, das nur auf Notizen basierende Modell etwa 0,87 und das kombinierte Fusion‑Modell etwa 0,88. Entscheidend ist, dass diese Ergebnisse auch dann bestanden, wenn die Modelle auf neue Gruppen angewandt wurden: Frauen, die in späteren Jahren in das Interventionsprogramm eintraten, Frauen in einem zweiten Krankenhaus desselben Netzwerks und Frauen mit abuse‑bezogenen Diagnosen, die niemals in ein spezialisiertes Programm aufgenommen wurden. In allen Fällen blieb das Fusion‑Modell über einer AUC von 0,8, was darauf hindeutet, dass die Verbindung von Zahlen und Text das System sowohl genau als auch stabil über verschiedene Settings hinweg macht.

Muster erkennen, noch bevor Frauen Hilfe suchen

Über die Unterscheidung von Fällen und Kontrollen hinaus erkannten die Modelle häufig Probleme lange bevor Frauen gegenüber Fachkräften von Missbrauch berichteten. Indem sie das erste Datum verglichen, an dem das Modell ein hohes Risiko meldete, mit dem Datum des Eintritts in das Interventionsprogramm, fanden die Forschenden durchschnittliche „Vorlaufzeiten“ von mehr als drei Jahren; in vielen Fällen wurde über vier oder fünf Jahre im Voraus gewarnt. Das kombinierte Modell identifizierte frühzeitig einen größeren Anteil zukünftiger Missbrauchsfälle, während das nur tabellarische Modell für die von ihm erfassten Fälle manchmal eine etwas längere Vorwarnzeit gab. Eine Analyse der strukturierten Merkmale hob Risikomuster hervor, die mit früheren klinischen Studien übereinstimmen: häufige Notfallbesuche, bestimmte Bildgebungen der oberen Extremitäten, hoher Gebrauch von Schmerzmitteln, psychische Diagnosen und Hinweise auf soziale Belastungen waren mit höherem vorhergesagtem Risiko verbunden, während routinemäßige Vorsorgeuntersuchungen wie Mammographien tendenziell mit niedrigerem Risiko assoziiert waren.

Risikoscores nutzen, ohne Kontrolle zu entziehen

Die Autorinnen und Autoren betonen, dass diese Werkzeuge nicht dazu gedacht sind, Missbrauch zu „diagnostizieren“ oder die Stimme der betroffenen Frau zu übergehen. Vielmehr stellen sie sich vor, dass die Modelle im Hintergrund elektronischer Akten stilllaufen und Klinikerinnen und Kliniker einen privaten Risikoscore anbieten, der zu behutsamen, traumasensiblen Gesprächen und rechtzeitigen Überweisungen an soziale und rechtliche Unterstützungsangebote anleiten kann. Sie warnen außerdem, dass die Daten nur Frauen abbilden, deren Missbrauch dokumentiert wurde oder die Hilfe suchten, sodass einige Gruppen unterrepräsentiert bleiben. Vor einer breiten Einführung müssen Krankenhäuser die Leistung in allgemeineren Populationen prüfen, auf Verzerrungen überwachen und sorgfältige Schutzmaßnahmen entwerfen, damit markierte Scores zu mitfühlenden Hilfsangeboten führen — nicht zu Druck oder Autonomieverlust. Auf diese Weise könnte multimodales maschinelles Lernen alltägliche medizinische Begegnungen früher und verlässlicher zu einem Zugang für Menschen machen, die zu Hause Gewalt ausgesetzt sind.

Zitation: Gu, J., Carballo, K.V., Ma, Y. et al. Leveraging multimodal machine learning for accurate risk identification of intimate partner violence. npj Womens Health 4, 15 (2026). https://doi.org/10.1038/s44294-025-00126-3

Schlüsselwörter: intime Partnergewalt, elektronische Patientenakten, maschinelles Lernen, multimodale Daten, frühe Risikoerkennung