OmniTFT: KI-Modell für präzise Vorhersage von Vitaldaten in der ICU

In einer kürzlich veröffentlichten Studie auf arXiv wird OmniTFT vorgestellt, ein neues Deep‑Learning‑Framework, das die Vorhersage von Vitalzeichen und Laborwerten in Intensivstationen revolutioniert. Durch die Kombination mehrerer hochfrequenter Messungen und seltener Labortests liefert das Modell präzise Zeitreihenprognosen, die für frühzeitige Interventionen und personalisierte Medizin entscheidend sind.

Vitalzeichen in der ICU sind häufig verrauscht und schwanken stark, während Laborwerte oft fehlende Werte, Messverzögerungen und gerätespezifische Verzerrungen aufweisen. Diese heterogenen Datenquellen erschweren die Integration in ein einheitliches Vorhersagemodell. OmniTFT adressiert diese Probleme, indem es vier innovative Strategien einsetzt, die die Datenqualität und die Modellleistung verbessern.

Das Herzstück von OmniTFT ist der Temporal Fusion Transformer (TFT), der für multivariate Zeitreihen optimiert ist. Zusätzlich nutzt das Modell: (1) ein gleitendes Fenster mit gleichgewichtiger Stichprobe, um physiologische Zustände auszugleichen; (2) frequenzsensitives Embedding‑Shrinking, das seltene Klassen stabilisiert; (3) hierarchische Variablenauswahl, die die Aufmerksamkeit auf informative Feature‑Cluster lenkt; und (4) eine attention‑Kalibrierung, die die Robustheit bei abrupten physiologischen Veränderungen erhöht.

In umfangreichen Tests auf den Datensätzen MIMIC‑III, MIMIC‑IV und eICU zeigte OmniTFT signifikante Leistungssteigerungen sowohl bei Vitalzeichen als auch bei Laborwerten. Die Attention‑Muster des Modells sind interpretierbar und stimmen mit bekannter Pathophysiologie überein, was die Vertrauenswürdigkeit der Vorhersagen unterstreicht.

Durch die Reduktion von architekturspezifischen Anpassungen und umfangreicher Feature‑Engineering ermöglicht OmniTFT eine einheitliche Modellierung heterogener klinischer Ziele. Diese Fortschritte könnten die Entscheidungsfindung in der Intensivmedizin verbessern und die Grundlage für präzisere, datenbasierte Therapiepläne legen.