Naukowcy zaproponowali HERMES - innowacyjny system do prognozowania wyników pacjentów bezpośrednio z klinicznych not tekstowych. Tradycyjne modele opierają się na strukturalnych danych z systemów EHR, takich jak szeregi czasowe czy kody procedur, ale HERMES pokazuje, że można osiągnąć lepsze rezultaty, zachowując pełną relacyjną strukturę zawartą w narracyjach klinicznych.
System opiera się na dwóch kluczowych innowacjach. Pierwsza to budowanie spersonalizowanych grafów wiedzy z notek klinicznych przy pomocy dużych modeli językowych, wzbogaconych o Contrastive Logic Modeling, które jawnie uchwyciają dynamikę czasową, porażki leczenia i zmiany wyników. Druga to zastosowanie sieci Graph Attention Network do syntezy reprezentacji pacjentów na podstawie tych grafów. To połączenie pozwala modelowi zrozumieć nie tylko co się stało, ale także w jakiej sekwencji i jak różne interwencje wpłynęły na pacjenta.
Eksperymentalne wyniki na MIMIC-III i MIMIC-IV - dużych zbiorach danych klinicznych - wykazały, że HERMES konsekwentnie przewyższa silne modele oparte wyłącznie na tekście zarówno w przewidywaniu śmiertelności w szpitalu, jak i w prognozowaniu readmisji w ciągu 30 dni. Badanie demonstruje, że explicit relational modeling z Contrastive Logic Modeling istotnie podnosi wydajność prognoz i otwiera nowe możliwości dla AI w medycynie.