LLM-gestützter Knowledge-Graph für medizinische Konzepte verbessert EHR-Analyse

In der Analyse elektronischer Gesundheitsakten (EHR) ist die präzise Repräsentation medizinischer Konzepte – wie Diagnosen, Medikamente und Verfahren – entscheidend für die Genauigkeit klinischer Vorhersagen. Doch zwei zentrale Hindernisse erschweren diesen Lernprozess: Erstens fehlen oft wichtige Abhängigkeiten zwischen verschiedenen Konzepttypen, etwa zwischen Diagnosen und Medikamenten, und zweitens sind die reichen semantischen Informationen, die in Textform vorliegen, schwer in bestehende Ontologien zu integrieren.

Um diese Probleme zu überwinden, stellt die neue Studie das CoMed‑Framework vor. CoMed baut zunächst einen globalen Knowledge Graph (KG) über medizinische Codes auf, indem es statistisch zuverlässige Assoziationen aus EHR‑Daten mit gezielten LLM‑Prompting‑Techniken kombiniert, um fehlende semantische Beziehungen zu erschließen.

Im nächsten Schritt nutzt CoMed große Sprachmodelle, um den KG in einen text‑attribuierten Graphen zu verwandeln. Dabei generiert das Modell für jeden Knoten beschreibende Texte und für jede Kante Begründungen, die zusätzliche semantische Signale liefern und die Struktur des Graphen mit reichhaltigem Kontext anreichern.

Schließlich werden ein LoRA‑optimierter LLaMA‑Textencoder und ein heterogenes Graph Neural Network (GNN) gemeinsam trainiert. Diese Kombination verschmilzt die Textsemantik mit der Graphstruktur zu einheitlichen Konzept‑Embeddings, die sowohl die Beziehungen als auch die individuellen Bedeutungen der medizinischen Konzepte erfassen.

Ausgiebige Experimente auf den MIMIC‑III‑ und MIMIC‑IV‑Datensätzen zeigen, dass CoMed die Vorhersageleistung in klinischen Aufgaben signifikant steigert. Das System fungiert dabei als effektiver Plug‑in‑Encoder für medizinische Konzepte und eröffnet neue Möglichkeiten für die Integration von Text‑ und Graphdaten in der Gesundheitsforschung.