En ny forskningsmodel fra arXiv lover at forbedre forudsigelsen af dødelighed blandt nyfødte på intensivafdelinger ved at behandle manglende data som et aktivt signal frem for et problem, der skal ryddes af vejen. NeoTriFuse, som præsenteres i et nyt paper, opnår en F1-score på 0,6736 og en AUROC på 0,9454 – et niveau, der ifølge forfatterne er konkurrencedygtigt med eksisterende metoder.
Det centrale nye greb er, at modellen ikke bare ignorerer eller udfylder huller i overvågningsdataene. I stedet bruger den manglende data som et eksplicit pålidelighedssignal, der dynamisk justerer, hvor meget hver datakilde skal vægte i den samlede vurdering. Det betyder, at modellen kan håndtere den virkelige verden på en neonatalafdeling, hvor målinger ofte er ufuldstændige og varierer fra patient til patient.
For beslutningstagere i sundhedssektoren er pointen ikke kun den tekniske præstation, men at modellen er designet til at fungere under realistiske kliniske forhold. Ablationsstudier viser, at den lokale-globale tidsmæssige arkitektur og patientniveau-statistikker bidrager mest til præstationen, mens den pålidelighedsbevidste gating giver yderligere forbedringer på tærskelafhængige målinger – netop dem der betyder noget, når man skal beslutte, hvilke børn der har brug for akut indsats.
Modellen integrerer også et sekundært mål om at forudsige indlæggelsesvarighed, hvilket kan hjælpe med ressourceplanlægning på afdelinger, der i forvejen er pressede.
Selvom resultaterne er lovende, er der tale om et enkelt paper, og der er behov for validering i kliniske sammenhænge, før modellen kan tages i brug. Men retningen er klar: AI-modeller, der er trænet på virkelige data med huller, kan blive mere robuste og brugbare end dem, der antager perfekte datasæt.
