Bessere Gesundheitsversorgung mit KI

Dresdener Forscher haben in zwei Untersuchungen gezeigt: Large Language Models haben das Potenzial, ärztliches Fachpersonal in Zukunft deutlich zu entlasten – auch mit unstrukturierten Daten. 

Gerade mit Blick auf medizinische Daten heißt es oft, es sei ein Problem, dass ein Großteil der Daten, die im medizinischen Alltag erhoben werden, nur in unstrukturiert in Form von Texten wie Befunden und Arztbriefen vorliegt. Eine Forschungsgruppe aus Dresden um Prof. Dr. med. Jakob N. Kather und Dr. med. Isabella Wiest hat gemeinsam mit weiteren Wissenschaftlern in zwei Veröffentlichungen gezeigt, wie Large Language Models, kurz LLM, also eine Form der Künstlichen Intelligenz auch mit unstrukturierten Daten die Qualität der Gesundheitsversorgung und Forschung verbessern könnten.

In der ersten Veröffentlichung hat das Team untersucht, ob und wie das lokale Sprachmodell Llama 2 bei der Diagnose von akuten Komplikationen bei Leberzirrhose unterstützen kann. Eine schwerwiegende Komplikation ist die akute Dekompensation, ein plötzliches und schwerwiegendes Versagen der Leberfunktion, die durch chronische Schädigung des Lebergewebes verursacht wird. Diese muss rechtzeitig erkannt und rasch behandelt werden. Die Forschenden konnten zeigen, dass das Llama 2 bei der Identifizierung von wichtigen klinischen Merkmalen der Erkrankung aus Patientenakten erfolgreich unterstützt. Zu diesem Zweck verglichen sie die Ergebnisse ihres KI-Modells mit den Diagnosen von drei verblindeten Experten. Die KI schnitt bei den Tests sehr gut ab und zeigte eine hohe Genauigkeit. Zudem wahren die verwendeten Methoden die Privatsphäre der Patienten, sensible medizinische Daten werden sicher und datenschutzkonform auf klinikinternen Servern verarbeitet.

Leichtere Qualitätssicherung

Bei der zweiten Veröffentlichung ging es um die Dokumentation von endoskopischen Untersuchungen. Auch hier kommt es gelegentlich zu Komplikationen. Für eine optimale Nachsorge müssen Zwischenfälle präzise und möglichst strukturiert dokumentiert werden. Dafür fehlt im Klinikalltag jedoch oft die Zeit. Berichte werden in Form von freiem Text erstellt, was eine strukturierte Analyse erschwert. Die Nutzung von LLMs bietet auch hier eine vielversprechende Lösung. Damit können Informationen zu unerwünschten Ereignissen aus Verfahrensberichten automatisch extrahiert werden, ohne die bestehende Dokumentationspraxis zu verändern. Das erleichtert die Qualitätssicherung und reduziert den manuellen Aufwand bei der Dokumentation.

Arbeitsalltag verbessern

In den beiden Studien konnten die Forscher zeigen, dass lokal genutzte, große Sprachmodelle in der Lage sind, klinische Informationen aus freiem Text mit hoher Genauigkeit zu extrahieren. Dabei wahren sie die Privatsphäre und schützen sensible Daten von Patienten. Durch die Verwendung von lokalen Lösungen mit geringen Hardwareanforderungen sinken die Hürden für eine Umsetzung in die Praxis. „In Zukunft könnten diese KI-Methoden Ärztinnen und Ärzte bei ihren Entscheidungen unterstützen und die Dokumentation von medizinischen Informationen erleichtern. Eine vollständige Dokumentation und verbesserte Nachvollziehbarkeit würde nicht nur unmittelbar die Qualität der Gesundheitsversorgung, sondern auch die medizinische Forschung langfristig verbessern“, sagt Erstautorin Wiest, Ärztin am Universitätsklinikum Carl Gustav Carus Dresden und Forscherin am EKFZ für Digitale Gesundheit der Technischen Universität.