Forskere har udviklet en ny AI-model, MultiSigBERT, der markant forbedrer forudsigelser af kræftpatienters overlevelse ved at kombinere forskellige typer af data fra elektroniske patientjournaler. Modellen, beskrevet i et nyligt preprint på arXiv, opnår en præcision på 0,743 (målt med concordance index) på en uafhængig testgruppe. Det er et betydeligt fremskridt i forhold til traditionelle metoder, der typisk kun anvender én type data.
Traditionelle overlevelsesmodeller i onkologi er ofte begrænset til enten narrative kliniske rapporter, numeriske målinger eller strukturerede variable. MultiSigBERT adresserer denne begrænsning ved at integrere fritekstjournaler (såsom lægenotater) med strukturerede variable som blodprøver og patientkarakteristika. Ved at konvertere fritekst til såkaldte sentence embeddings og kombinere dem med numeriske data via en matematisk metode kaldet Signature transform, fanger modellen komplekse tidsmæssige sammenhænge på tværs af datatyper – noget der tidligere krævede manuel og ofte upålidelig bearbejdning.
Modellen er trænet og valideret på en stor, virkelig klinisk kohorte fra Léon Bérard Center, der omfatter over 120.000 medicinske rapporter og strukturerede data fra mere end 2.500 patienter. Resultaterne viser, at den kombinerede tilgang giver en mere præcis risikovurdering end hidtidige metoder, hvilket kan få direkte betydning for behandlingsplanlægning og ressourceallokering på hospitaler.
For beslutningstagere i sundhedssektoren og investorer i medicinsk AI betyder dette, at modeller, der kan håndtere komplekse, multimodale data, bliver mere pålidelige og dermed mere anvendelige i klinisk praksis. Det peger også på et skift mod mere integrerede AI-løsninger, der kan udnytte de data, hospitaler allerede indsamler, uden at kræve omfattende manuel datarensning.
