Verbesserte Vorhofflimmern-Vorhersage bei ESUS dank Hypergraph-basiertem Pre‑Training

Vorhofflimmern (AF) ist eine häufige und gefährliche Folge von embolischem Schlaganfall ohne klaren Ursprung (ESUS). Es erhöht das Risiko für erneute Schlaganfälle und die Sterblichkeit erheblich. Eine frühzeitige Erkennung von AF ist daher von entscheidender klinischer Bedeutung, doch bisherige Diagnosewerkzeuge stoßen bei Genauigkeit, Skalierbarkeit und Kosten an ihre Grenzen.

Maschinelles Lernen bietet großes Potenzial, ist jedoch durch die geringen ESUS‑Patientenzahlen und die hochdimensionalen medizinischen Merkmale stark eingeschränkt. Um diese Hindernisse zu überwinden, haben Forscher zwei neue Hypergraph‑basierte Pre‑Training‑Strategien entwickelt – sowohl im überwachten als auch im unüberwachten Modus.

Zunächst wurden Hypergraph‑basierte Einbettungsmodelle auf einer großen Schlaganfall‑Kohorte mit 7.780 Patienten vortrainiert. Diese Modelle erfassen wichtige Merkmale und hochgradige Interaktionen zwischen Patientenmerkmalen. Anschließend wurden die gewonnenen Einbettungen auf eine kleinere ESUS‑Kohorte mit 510 Patienten übertragen. Durch die Reduktion der Merkmalsdimensionalität bleibt gleichzeitig die klinisch relevante Information erhalten, was die Leistung leichterer Modelle deutlich verbessert.

Die Experimente zeigen, dass beide Pre‑Training‑Ansätze die Leistung traditioneller Modelle, die auf Rohdaten trainiert wurden, übertreffen. Die Genauigkeit steigt, die Robustheit verbessert sich und die Modelle bleiben gleichzeitig kompakt und effizient.

Dieses Framework stellt eine skalierbare und kostengünstige Lösung für die AF‑Risikovorhersage nach Schlaganfall dar und könnte die Früherkennung und Behandlung von Vorhofflimmern bei ESUS‑Patienten nachhaltig verbessern.