Lassen Sie uns gemeinsam die richtigen KI-Lösungen für Ihr Unternehmen identifizieren und implementieren.
At NYU Langone Health, one of the largest U.S. academic medical centers, 80% of electronic health record (EHR) data exists as unstructured free-text clinical notes, rich in nuanced patient insights but notoriously difficult to process for predictive analytics [1][2]. Traditional machine learning models depend on structured data like vital signs and labs, missing subtle signals in physician narratives that could forecast critical outcomes such as in-hospital mortality, prolonged length of stay (LOS), readmissions, and even operational issues like appointment no-shows [1][3]. This gap leads to less accurate risk stratification, inefficient resource use, and delayed interventions in a system handling millions of encounters yearly [4].
Developing task-specific models exacerbates challenges: each requires laborious feature engineering, labeled data curation, and maintenance, straining resources in a dynamic clinical environment. With rising patient volumes and complexity, NYU Langone needed a scalable, versatile prediction engine capable of leveraging raw notes without preprocessing hurdles [2][5].
The model is fine-tuned on modest labeled datasets for 10 diverse tasks, from clinical predictions (e.g., mortality, LOS) to operational forecasts (e.g., no-shows), bypassing complex pipelines of prior models [2][3]. This approach yields superior performance over baselines like ClinicalBERT and structured models, with easy deployment into workflows [1][5]. Ongoing expansions include generative applications and education tools [6].
Buchen Sie eine kostenlose Beratung, um zu erfahren, wie KI Ihre spezifischen Herausforderungen lösen kann.
Der Eckpfeiler von NYU Langones KI‑Strategie ist NYUTron, ein LLM mit 6,7 Milliarden Parametern, entwickelt von der Division of Applied AI Technologies. Das Pretraining erfolgte auf einem massiven Korpus von 10 Jahren de‑identifizierter stationärer klinischer Notizen von NYU Langone Health mit insgesamt 4,0 Milliarden Wörtern über 4,4 Millionen Patientenkontakte, das vielfältige Narrative von Ärzten, Pflegekräften und Fachärzten abbildet.[1] Dieses Dataset fängt real‑world medizinische Diskurse ein, einschließlich Abkürzungen, Jargon und kontextueller Nuancen, die in öffentlichen Benchmarks oft fehlen. Unter Nutzung einer decoder‑only GPT‑Architektur wurde NYUTron darauf trainiert, das nächste Token in Sequenzen vorherzusagen, wodurch ein tiefes Verständnis klinischer Semantik entstand, zunächst ohne task‑spezifische Supervision.[4]
Nach dem Pretraining wurde NYUTron separat für 10 Vorhersageaufgaben feinabgestimmt, wobei kleine, beschriftete Teilmengen (z. B. Tausende Beispiele pro Aufgabe) aus EHR‑Labels verwendet wurden. Die Aufgaben reichten von klinischen Outcomes wie stationärer Mortalität, 48‑Stunden‑Mortalität, verlängerter Verweildauer (>7 Tage), 30‑Tage‑Wiederaufnahmen und Hochkostenaufenthalten bis zu operativen Kennzahlen wie zukünftige No‑Show‑Wahrscheinlichkeit und Versicherungsablehnungswahrscheinlichkeit.[1] Das Fine‑Tuning nutzte binäre Klassifikationsköpfe auf den LLM‑Embedding‑Vektoren, optimiert mit Kreuzentropie‑Loss. Dadurch erzielte man AUROC‑Werte, die im Schnitt 4,4 Punkte höher lagen als Baselines wie PLM‑ICU, MedBERT und strukturierte logistische Regressionen auf getrennten Testsets von 2021–2022.[2] Validierung erfolgte über zeitliche Splits, um Generalisierbarkeit sicherzustellen und Overfitting zu verringern.
Wesentliche Hürden waren der Umgang mit rauschhaften, heterogenen Notizen und die Gewährleistung von Datenschutz/Compliance nach HIPAA. NYUTron adressierte Rauschen durch massive Datenmengen und selbstüberwachtes Lernen; De‑Identifizierungs‑Pipelines entfernten PHI konsequent.[3] Rechenintensive Anforderungen wurden mit GPU‑Clustern bewältigt, wodurch das Training in Wochen möglich wurde. Im Gegensatz zu strukturierten Modellen, die auf Feature‑Pipelines angewiesen sind, reduzierte NYUTrons End‑to‑End‑Notizintegration die Vorverarbeitung intern um schätzungsweise 90%.[5] Bias‑Minderung nutzte die demografische Vielfalt der NYU‑Patientenbasis; fortlaufende Fairness‑Audits sind jedoch Teil der Roadmap.
NYUTron wird produktiv über APIs in das EHR‑Ökosystem von NYU Langone (Epic) integriert und markiert Hochrisiko‑Patienten in Echtzeit während der Notizerfassung. Pilotprojekte auf Intensivstationen und Normalstationen zeigen die Praxistauglichkeit; Modelle werden quartalsweise mit frischen Daten aktualisiert.[4] Die modulare Architektur erlaubt das Hinzufügen neuer Aufgaben innerhalb von Stunden. Jüngste Erweiterungen (2025) integrieren agentic RAG und offene LLM‑Gewichte für die Ausbildung von Assistenzärzten, wobei NYUTron für Fall‑Insights abgefragt wird.[6] Die Roadmap sieht außerdem multimodale Eingaben (z. B. Bildbefunde) und generative Zusammenfassungen vor.
Initiiert 2021 in Folge der COVID‑Belastungen, wurde der Kern von NYUTron im Jahr 2023 mit der wegweisenden Nature‑Publikation vorgestellt.[1] Bis 2025 ist es systemweit skaliert und treibt gesundheitssystemweite Vorhersagen über mehr als 370 Standorte an. Dieser Ansatz — einmal trainieren, überall feinabstimmen — macht NYUTron zum Blueprint für KI im Gesundheitswesen.
Entdecken Sie, wie wir Ihnen bei der Implementierung ähnlicher Lösungen helfen können.
Founder & Partner
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Telefon