KI extrahiert kardiale Daten aus Krebs-Patientenakten

Forschende der Thomas Jefferson University haben ein auf Large Language Models basierendes System entwickelt, das kardiale Ereignisse in den elektronischen Patientenakten von Krebspatienten automatisiert extrahiert. Die Studie adressiert ein zentrales Problem in der onkologischen Versorgung: Patientinnen mit Brust- oder Lungenkrebs weisen aufgrund der anatomischen Nähe der Organe ein erhöhtes Risiko für behandlungsbedingte Kardiotoxizität auf. Die manuelle Auswertung hunderter Patientenakten ist ressourcenintensiv und für klinische Studien oft unpraktikabel. Um diesen Engpass zu beheben, stellten die Wissenschaftler um Erstautor Dr. Wenchao Cao verschiedene Open-Source-LLMs einem umfassenden Screening unter. Modelle wie DeepSeek-R1-70b, Llama-3.3 und Mistral-Large zeigten eine starke Balance zwischen diagnostischer Genauigkeit und Formatstrenge und bildeten die Basis für die Validierungsphase. Ein speziell entwickeltes Prompting-Framework filtert nicht nur relevante Stichwörter, sondern identifiziert präzise auch falsche Positive und negierende Formulierungen im medizinischen Kontext. Dies ist entscheidend, da Patientendokumente häufig klinisch standardisierte Verneinungen enthalten. Im direkten Vergleich zu menschlichen Auswertern, die etwa zwei Stunden pro Akte benötigen, lieferte das LLM-System Ergebnisse in lediglich 20 bis 42 Sekunden. Bei der Analyse von 411 Brust- und Lungenkrebs-Patienten erreichte das System eine Treffsicherheit zwischen 71 und 85,5 Prozent. Die Validierungskohorten bestätigten die Zuverlässigkeit der extrahierten Daten, was den Übergang von der Forschungsphase in die klinische Anwendung erheblich erleichtert. Die Ergebnisse weisen weitreichende Implikationen für die Strahlentherapie und die Patientenversorgung auf. Durch die drastische Beschleunigung des Datenzugriffs können Risikopatienten für Kardiotoxizität künftig schneller identifiziert werden. Dies ermöglicht eine individuell angepasste Strahlentherapie, die kardiovaskuläre Nebenwirkungen minimiert und die Langzeitprognose verbessert. Das Forschungsteam unterstreicht, dass die Automatisierung dieser Datenauswertung administrative Lasten verringert und die Qualität der onkologischen Versorgung durch datengestützte, personalisierte Behandlungspläne signifikant steigert. Künftige Optimierungen des Frameworks zielen darauf ab, die Vorhersagegenauigkeit weiter zu schärfen und die Integration in bestehende elektronische Gesundheitssysteme voranzutreiben.