Große Sprachmodelle für leitlinienbasierte Behandlungsplanung und automatisierte medizinische Kodierung: Herausforderungen, Lösungen sowie Entwicklung und Validierung von Algorithmen

Diese Studie stellt zwei Verfahren auf Basis großer Sprachmodelle vor und untersucht, wie sie diese Herausforderungen bewältigen. Beide sind in Rhazes Clinician umgesetzt: die generierungsgestützte Retrieval-Augmented Generation (GARAG) für die automatisierte evidenzbasierte Behandlungsplanung und die generierungsgestützte Vektorsuche (GAVS) für die automatisierte medizinische Kodierung.

Hintergrund: Diagnosefehler und Verwaltungsaufwand, etwa bei der medizinischen Kodierung, gehören weiterhin zu den großen Herausforderungen im Gesundheitswesen. Große Sprachmodelle (LLMs) könnten diese Probleme verringern. Bedenken hinsichtlich Zuverlässigkeit, Transparenz und klinischer Sicherheit haben ihre Einführung jedoch begrenzt.

Ziel: Diese Studie stellt zwei Verfahren auf Basis großer Sprachmodelle vor und untersucht, wie sie diese Herausforderungen bewältigen. Beide sind in Rhazes Clinician umgesetzt: die generierungsgestützte Retrieval-Augmented Generation (GARAG) für die automatisierte evidenzbasierte Behandlungsplanung und die generierungsgestützte Vektorsuche (GAVS) für die automatisierte medizinische Kodierung.

Methoden: GARAG wurde anhand von 21 klinischen Testfällen untersucht, die Autoren mit medizinischer Qualifikation erstellt hatten. Jeder Fall wurde dreimal unabhängig bearbeitet. Die Ausgaben wurden anhand von vier Kriterien bewertet: korrekte Quellenangaben, keine Dopplungen, Einhaltung des Formats und klinische Angemessenheit des vorgeschlagenen Vorgehens. GAVS wurde anhand von 958 zufällig ausgewählten Krankenhausaufenthalten aus der Datenbank Medical Information Mart for Intensive Care (MIMIC)–IV geprüft. Als Referenz dienten die zur Abrechnung verwendeten Codes der Internationalen Klassifikation der Krankheiten, zehnte Revision (ICD-10). Verglichen wurden zwei Ansätze: GPT-4.1 als direktes Referenzmodell mit der Aufgabe, ohne Einschränkungen ICD-10-Codes vorherzusagen, und GAVS. Bei GAVS erzeugte GPT-4.1 diagnostische Entitäten, denen eine Vektorsuche jeweils die 10 am besten passenden ICD-10-Codes zuordnete.

Ergebnisse: Von den 63 Ausgaben erfüllten 62 (98,4 %) sämtliche Bewertungskriterien. Die einzige Ausnahme war eine geringfügige Abweichung in der Reihenfolge bei einer Wiederholung von Fall 14. Für die GAVS-Auswertung umfassten die 958 Krankenhausaufenthalte 8576 zugewiesene ICD-10-Unterkategoriecodes, darunter 1610 verschiedene. Das Sprachmodell ohne Zusatzverfahren schlug 131.329 Codes vor, GAVS dagegen 136.920. Auf Ebene der Unterkategorien fand das Sprachmodell im Mittel 17,95 % der Referenzcodes wieder (gewichtet: 15,86 %), GAVS dagegen 20,63 % (gewichtet: 18,62 %). Die Verbesserung war statistisch signifikant (P<0,001). Auf Kategorieebene waren die Ergebnisse nahezu gleich (gewichteter mittlerer Anteil wiedergefundener Codes: 32,60 % gegenüber 32,58 %; P=0,99).

Schlussfolgerungen: GARAG zeigte, wie sich Pläne für das klinische Vorgehen auf diagnosespezifische, begutachtete Leitlinien stützen lassen, ohne beim Abruf der Evidenz klinische Einzelheiten zu verlieren. GAVS erhöhte den Anteil wiedergefundener detaillierter Diagnosecodes gegenüber dem direkten Einsatz eines LLM als Referenz signifikant. Zusammen zeigen die beiden Verfahren, wie LLM-basierte Methoden die klinische Entscheidungsunterstützung und die medizinische Kodierung verbessern können. Beide wurden anschließend in Rhazes Clinician integriert. Diese Webanwendung für medizinische Fachkräfte koordiniert LLM-Agenten, die spezialisierte Werkzeuge aufrufen, und stellt Ärzten dafür eine gemeinsame Oberfläche bereit. Weitere unabhängige Validierungen und groß angelegte Studien sind erforderlich, um die Übertragbarkeit der Ergebnisse zu bestätigen und ihren Einfluss auf die Behandlungsergebnisse zu untersuchen.

JMIR Biomed Eng 2025;10:e66691

doi:10.2196/66691