NYU Langones Modell Lang1, trainiert mit Notizen von 10 Millionen Patienten, sagt Klinikverläufe besser voraus als weit größere Allzweckmodelle
Die Studie in Nature Medicine meldet bis zu 24 Prozent bessere Vorhersagen von Versicherungsablehnungen, bei der Kliniksterblichkeit aber nur 1,6 Prozent, verglichen mit Modellen wie DeepSeek R1.
Warum es wichtig ist
Die Studie zeigt, dass ein kleineres, mit den eigenen Akten eines Klinikverbunds trainiertes Modell bei alltäglichen Betriebsprognosen weit größere Allzweckmodelle schlagen kann – wichtig für Kliniken, die über KI-Einsatz entscheiden. Lang1 baut auf NYUTron auf, ist fast 70-mal größer und wurde mit 80 Milliarden Token klinischer Notizen und 627 Milliarden Token allgemeinem Text trainiert. Die Vorteile sind dort am größten, wo es im Internet wenig Text gibt, etwa bei Versicherungsablehnungen, und bei Sterblichkeit am kleinsten. NYU Langone will Lang1 und ReMedE anderen Kliniken anbieten; zu beobachten sind Ergebnisse über Beth Israel hinaus.
Die wichtigsten Fakten
- Trainiert mit Akten von mehr als 10 Millionen Patienten aus 20 Jahren
- 80 Mrd. Token klinischer Notizen plus 627 Mrd. Token allgemeiner Text
- Fast 24 % besser als DeepSeek R1 bei Versicherungsablehnungen
- 9 % besser bei 30-Tage-Wiederaufnahmen, 1,6 % bei Kliniksterblichkeit
- Fast 70-mal größer als NYUTron
- Am Beth Israel in Boston validiert