Zespół badawczy wprowadził PGP-Clinical-TimeKAN, nową architekturę do wspólnego probabilistycznego prognozowania trajektorii pacjentów. Model stanowi podejście trajectory-first, łączące kodery czasowe uwzględniające braki danych, wcześniejszą wiedzę o układach narządów, relacje specyficzne dla pacjenta i nieliniowe transformacje Kolmogorova-Arnolda.
Ewaluacja przeprowadzona na 6882 pacjentach z MIMIC-IV wykazała, że PGP-Clinical-TimeKAN osiągnął drugie najniższe znormalizowane MAE (0,37727) i najniższy RMSE (0,52656) spośród testowanych modeli. Dla probabilistycznych prognoz uzyskał krańcową wartość NLL 0,66380 i CRPS 0,27301. Największy wpływ na wydajność miała struktura relacyjna między zmiennymi, podczas gdy zwiększanie rangi kowariancji poprawiało prawdopodobieństwo łączne bez znaczenia dla dokładności punktowych prognoz.
Jednak przełomowe zastosowanie kliniczne pozostaje odleglejsze niż mogłoby się wydawać. Chociaż model precyzyjnie prognozuje fizjologiczne trajektorie, jego zdolność do przewidywania faktycznego pogarszania się stanu pacjenta uzyskała AUROC 0,603 - słabiej niż dedykowany klasyfikator GRU-D (0,650). To pokazuje, że dokładne przewidywanie parametrów medycznych nie gwarantuje kalibrowanego detektora zdarzeń krytycznych. Model oferuje wartościowe pośrednie zadanie do analizy, ale brakuje mu bezpośredniej mocy prognostycznej dla klinicznych decyzji.