Federated-Learning mit Wissensgraph & Temporal Transformer für Sepsis‑Vorhersage

Ein neues Forschungsprojekt hat ein innovatives Framework vorgestellt, das Federated Learning mit einem medizinischen Wissensgraphen und einem Temporal Transformer kombiniert, um die frühzeitige Erkennung von Sepsis in Intensivstationen zu verbessern. Durch die Zusammenarbeit mehrerer Krankenhäuser kann das Modell ohne Austausch von Rohpatientendaten trainiert werden, wodurch die Privatsphäre gewahrt bleibt.

Der Wissensgraph integriert strukturierte medizinische Beziehungen, während der Temporal Transformer lange Zeitabhängigkeiten in klinischen Zeitreihen erfasst. Zusätzlich wird eine modellunabhängige Meta‑Lernstrategie eingesetzt, die es dem globalen Modell ermöglicht, sich schnell an lokale Datenverteilungen anzupassen.

In Tests mit den Datensätzen MIMIC‑IV und eICU erzielte das System einen AUC‑Wert von 0,956. Das entspricht einer Verbesserung von 22,4 % gegenüber zentralisierten Modellen und 12,7 % gegenüber herkömmlichem Federated Learning. Diese Ergebnisse zeigen, dass das neue System eine zuverlässige, datenschutzfreundliche Lösung für die kollaborative Frühwarnung von Sepsis darstellt.