Anamnesetexte mit Large Language Models automatisch klassifizieren
Klinisches Fachpersonal dokumentiert die Anamnese von Patientinnen und Patienten zumeist in Form von unstrukturierten Freitexten. Sollen diese Texte standardisiert und für nachgelagerte digitale Prozesse aufbereitet werden, bedarf es einer automatischen Zuordnung der Textabschnitte zu medizinischen Fachterminologien, ohne den individuellen Charakter der Texte zu verlieren. Hierbei könnten Large Language Models (LLMs) helfen. LLMs sind neuronale Sprachmodelle mit einer hohen Anzahl an Parametern, die mithilfe großer Datensätze trainiert wurden.
Das LLM4Anamnese-Team erforscht, inwiefern LLMs Anamnesetexte ressourceneffizient klassifizieren können. Gleichzeitig erprobt es, wie robust und verlässlich das KI-System im klinischen Alltag ist, und ob es sich generell im Gesundheitssektor und in Krankenhäusern nutzen lässt. Damit LLMs medizinische Texte verlässlicher klassifizieren und besser auf andere medizinische Anwendungen übertragen können, passen die Forschenden sie an medizinische Daten an.
LLMs sind zukunftsbestimmende Technologien, die viele Prozesse im Gesundheitswesen vereinfachen können. Sie entlasten medizinisches Personal und verbessern so die Versorgung von Patientinnen und Patienten. Das Forschungsteam des Projekts LLM4Anamnese stellt Best-Practices für deren Einsatz im Gesundheitswesen zusammen, formuliert reale Nutzungsanforderungen und hilft so dabei, die Technologie in den klinischen Alltag zu transferieren.