LLM-Embeddings aus Klinikdaten vorhersagen posttraumatische Epilepsie frühzeitig

Posttraumatische Epilepsie (PTE) ist eine schwere neurologische Erkrankung, die nach einer traumatischen Hirnverletzung auftreten kann. Die frühzeitige Vorhersage von PTE bleibt bislang schwierig, weil die klinischen Daten heterogen sind, positive Fälle selten vorkommen und die Diagnose oft auf ressourcenintensiven Bildgebungen beruht.

In einer neuen Studie aus dem TRACK‑TBI‑Kohorten‑Datensatz wurde ein automatisiertes Vorhersage‑Framework entwickelt, das vortrainierte große Sprachmodelle (LLMs) nutzt, um akute klinische Aufzeichnungen in aussagekräftige Embeddings zu überführen. Diese Embeddings wurden zusammen mit tabellarischen Merkmalen in Gradient‑Boosted‑Tree‑Klassifikatoren eingespeist und unter stratifizierter Kreuzvalidierung getestet.

Die Ergebnisse zeigen, dass LLM‑Embeddings die Leistung deutlich steigern, weil sie kontextuelle Informationen aus den Textdaten erfassen. Die beste Modellvariante, die tabellarische Features und LLM‑Embeddings kombiniert, erreichte einen AUC‑ROC von 0,892 und einen AUPRC von 0,798. Zu den wichtigsten Prädiktoren zählen akute posttraumatische Anfälle, Schwere der Verletzung, neurochirurgische Interventionen und ein Aufenthalt in der Intensivstation.

Diese Erkenntnisse beweisen, dass routinemäßig erfasste akute Klinikdaten allein ausreichen, um das Risiko für PTE frühzeitig zu schätzen. LLM‑Embeddings in Verbindung mit Gradient‑Boosted‑Trees stellen damit eine vielversprechende Ergänzung zu bildgebenden Verfahren dar und könnten die klinische Entscheidungsfindung erheblich verbessern.