Großes Sprachmodell sagt Wiederaufnahme von Patienten voraus

Die Entlassung aus dem Krankenhaus ist ein wichtiger Meilenstein für Patienten – aber manchmal ist es nicht das Ende ihres Weges zur Genesung. Fast 15 % der Krankenhauspatienten in den USA werden innerhalb von 30 Tagen nach ihrer ersten Entlassung wieder aufgenommen, was häufig mit schlechteren Ergebnissen und höheren Kosten sowohl für Patienten als auch für Krankenhäuser verbunden ist.

Forscher am NYU Langone Health, dem akademischen medizinischen Zentrum der New York University, haben mit NVIDIA-Experten zusammengearbeitet, um ein großes Sprachmodell (LLM) zu entwickeln, das das Risiko eines Patienten für eine 30-tägige Wiedereinweisung sowie andere klinische Ergebnisse vorhersagt.

Das heute in der Fachzeitschrift Nature vorgestellte NYUTron-Modell wird in den sechs stationären Einrichtungen des Gesundheitssystems eingesetzt und bietet Ärzten KI-gesteuerte Erkenntnisse, die ihnen dabei helfen könnten, Patienten zu identifizieren, die eine klinische Intervention benötigen, um die Wahrscheinlichkeit einer Wiedereinweisung zu verringern.

„Wenn Sie einen Patienten aus dem Krankenhaus entlassen, erwarten Sie nicht, dass er zurückkehren muss, oder Sie hätten ihn wahrscheinlich länger im Krankenhaus behalten sollen“, sagte Dr. Eric Oermann, Assistenzprofessor für Radiologie und Neurochirurgie an der NYU Grossman School of Medicine und leitender Mitarbeiter bei NYUTron. „Anhand der Analyse des KI-Modells könnten wir Ärzte bald in die Lage versetzen, Situationen zu verhindern oder zu beheben, die das Risiko einer Wiedereinweisung für Patienten erhöhen.“

Das Modell wurde bisher auf mehr als 50.000 entlassene Patienten im Gesundheitssystem der NYU angewendet, wo es Prognosen zum Wiederaufnahmerisiko per E-Mail-Benachrichtigung an Ärzte weitergibt. Oermanns Team plant als nächstes eine klinische Studie, um zu testen, ob Interventionen auf Basis der Analysen von NYUTron die Wiederaufnahmeraten senken.

Die US-Regierung verfolgt die 30-Tage-Rückübernahmeraten als Indikator für die Qualität der von Krankenhäusern erbrachten Versorgung. Medizinische Einrichtungen mit hohen Sätzen werden mit Geldstrafen belegt – ein Maß an Kontrolle, das Krankenhäuser dazu anregt, ihren Entlassungsprozess zu verbessern.

Es gibt viele Gründe, warum ein kürzlich entlassener Patient erneut ins Krankenhaus eingeliefert werden muss – darunter eine Infektion, eine übermäßige Verschreibung von Antibiotika oder zu früh entfernte chirurgische Drainagen. Wenn diese Risikofaktoren früher erkannt werden, könnten Ärzte eingreifen, indem sie die Behandlungspläne anpassen oder Patienten im Krankenhaus länger überwachen.

„Während es seit den 1980er Jahren Computermodelle zur Vorhersage der Wiederaufnahme von Patienten gibt, betrachten wir dies als eine Aufgabe zur Verarbeitung natürlicher Sprache, die einen Korpus klinischer Texte im Gesundheitssystemmaßstab erfordert“, sagte Oermann. „Wir haben unser LLM auf die unstrukturierten Daten elektronischer Gesundheitsakten trainiert, um zu sehen, ob es Erkenntnisse gewinnen kann, die Menschen zuvor nicht berücksichtigt haben.“

NYUTron wurde auf Grundlage von Gesundheitsakten aus 10 Jahren von NYU Langone Health vorab geschult: mehr als 4 Milliarden Wörter an klinischen Notizen, die fast 400.000 Patienten repräsentieren. Das Modell erzielte eine Genauigkeitsverbesserung von mehr als 10 Prozent gegenüber einem hochmodernen maschinellen Lernmodell zur Vorhersage von Wiedereinweisungen.

Nachdem das LLM für den ersten Anwendungsfall einer 30-tägigen Wiederaufnahme trainiert worden war, konnte das Team in etwa einer Woche vier weitere Vorhersagealgorithmen entwickeln. Dazu gehört die Vorhersage der Dauer des Krankenhausaufenthalts eines Patienten, der Wahrscheinlichkeit einer Sterblichkeit im Krankenhaus und der Wahrscheinlichkeit, dass Versicherungsansprüche eines Patienten abgelehnt werden.

„Ein Krankenhaus zu leiten ist in gewisser Weise wie die Leitung eines Hotels“, sagte Oermann. „Erkenntnisse, die Krankenhäusern helfen, effizienter zu arbeiten, bedeuten mehr Betten und eine bessere Versorgung einer größeren Anzahl von Patienten.“

NYUTron ist ein LLM mit Hunderten Millionen Parametern, trainiert mit dem NVIDIA NeMo Megatron-Framework auf einem großen Cluster von NVIDIA A100 Tensor Core GPUs.

„Ein Großteil der Diskussion über Sprachmodelle dreht sich derzeit um gigantische Allzweckmodelle mit Milliarden von Parametern, die mit Hunderten oder Tausenden von GPUs auf chaotischen Datensätzen trainiert werden“, sagte Oermann. „Stattdessen verwenden wir mittelgroße Modelle, die auf hoch verfeinerten Daten trainiert werden, um gesundheitsspezifische Aufgaben zu erfüllen.“

Um das Modell für die Inferenz in realen Krankenhäusern zu optimieren, entwickelte das Team eine modifizierte Version der Open-Source-Software NVIDIA Triton für eine optimierte Bereitstellung von KI-Modellen mithilfe des NVIDIA TensorRT-Softwareentwicklungskits.

„Um ein solches Modell in einer Live-Gesundheitsumgebung einzusetzen, muss es effizient laufen“, sagte Oermann. „Triton liefert alles, was Sie von einem Inferenz-Framework erwarten, und macht unser Modell rasend schnell.“

Oermanns Team stellte fest, dass nach dem Vortraining ihres LLM die Feinabstimmung vor Ort mit den Daten eines bestimmten Krankenhauses dazu beitrug, die Genauigkeit deutlich zu steigern – eine Eigenschaft, die anderen Gesundheitseinrichtungen bei der Einführung ähnlicher Modelle helfen könnte.

„Nicht alle Krankenhäuser verfügen über die Ressourcen, ein großes Sprachmodell von Grund auf intern zu trainieren, aber sie können ein vorab trainiertes Modell wie NYUTron übernehmen und es dann mit einer kleinen Stichprobe lokaler Daten mithilfe von GPUs in der Cloud verfeinern“, sagte er . „Das ist für fast jeden im Gesundheitswesen erreichbar.“

Um mehr über NYUTron zu erfahren, lesen Sie das Nature-Papier und sehen Sie sich diesen Vortrag von NVIDIA und NYU auf Abruf an.

KI in die Schule bringen: Ein Gespräch mit Anant Agarwal vom MIT

Was ist Photogrammetrie?

Fischzucht-Startup nutzt KI, um die Aquakultur effizienter und nachhaltiger zu machen

Technischer Künstler baut diese Woche „im NVIDIA Studio“ mit NVIDIA Omniverse USD Composer ein großartiges Wollmammut

Microsoft Bing beschleunigt die Anzeigenbereitstellung mit NVIDIA Triton