Leichtgewichtige Modelle prognostizieren morgendliche Entlassung Wirbelsäulen-OP

Eine rechtzeitige Vorhersage der Entlassung ist entscheidend, um Betten effizient zu nutzen und Ressourcen in ambulanten Wirbelsäulenoperationen optimal zu verteilen. In einer aktuellen Studie wurde untersucht, ob leichte, feinabgestimmte große Sprachmodelle (LLMs) und klassische textbasierte Verfahren für die Prognose der morgendlichen Entlassung anhand postoperativer klinischer Notizen geeignet sind.

Die Forscher verglichen 13 Modelle, darunter TF‑IDF mit XGBoost und LGBM sowie kompakte LLMs wie DistilGPT‑2 und Bio_ClinicalBERT, die mittels LoRA (Low‑Rank Adaptation) angepasst wurden. Die Analyse zeigte, dass die Kombination aus TF‑IDF und LGBM die beste Leistung erzielte, mit einem F1‑Score von 0,47 für die Entlassungsklasse, einer Recall‑Rate von 0,51 und dem höchsten AUC‑ROC von 0,80.

Obwohl LoRA die Recall‑Rate bei DistilGPT‑2 verbesserte, blieben transformerbasierte und generative Modelle insgesamt hinter den klassischen Ansätzen zurück. Die Ergebnisse deuten darauf hin, dass interpretierbare, ressourcenschonende Modelle in realen, unausgeglichenen klinischen Vorhersageaufgaben überlegen sein können.

Diese Erkenntnisse unterstreichen die Bedeutung von leichtgewichtigen, transparenten Modellen für die klinische Entscheidungsfindung und zeigen, dass sie in der Praxis oft die Leistung kompakter LLMs übertreffen können.