PwC
Modul 2

Case Study - Tumordokumentation

Wie Large Language Models die Datenerfassung in der Onkologie revolutionieren können – eine Analyse mit Echtdaten.

Lernziele dieses Moduls

  • Die Herausforderungen der manuellen Tumordokumentation in der Onkologie verstehen
  • Die Funktionsweise von LLM-gestützter Datenextraktion aus Arztbriefen erklären
  • Effizienzgewinne und Qualitätsverbesserungen durch KI-Unterstützung bewerten
  • Praktische Anwendungsmöglichkeiten von LLMs in der klinischen Dokumentation identifizieren

Podcast: LLMs in der Tumordokumentation

Hören Sie eine Zusammenfassung und Diskussion der Studienergebnisse. Dieser Podcast beleuchtet die Potenziale und Herausforderungen der KI-gestützten Dokumentation.

0:000:00

Kernpunkte der Studie

Effizienzsteigerung

Die Studie vergleicht die manuelle Dateneingabe mit der KI-gestützten Extraktion. Das Ergebnis: Eine massive Zeitersparnis bei der Übertragung von TNM-Klassifikationen und Diagnosedaten aus Arztbriefen.

Herausforderung Datenschutz

Ein kritischer Punkt: Öffentliche LLMs dürfen nicht mit Klarnamen gefüttert werden. Die Studie nutzte daher strikt anonymisierte Datensätze verstorbener Patienten, um DSGVO-Konformität zu gewährleisten.

Wirtschaftlichkeit

Die Kosten-Nutzen-Analyse ist vielversprechend: Den geringen API-Kosten für die KI-Nutzung (wenige Cent pro Fall) steht eine signifikante Einsparung an Arbeitszeit gegenüber.

Qualität der Extraktion

GPT-4 zeigte bereits ohne spezielles medizinisches Fine-Tuning (Zero-Shot) eine erstaunlich hohe Trefferquote bei der Identifikation relevanter Parameter wie T-Stadium oder Gleason-Score durch Strukturierte Datenextraktion.

Pflichtlektüre

Original-Artikel zur Studie

Lesen Sie hier den vollständigen Artikel. Nutzen Sie die Werkzeugleiste oben rechts im Viewer, um in den Vollbildmodus zu wechseln oder das PDF herunterzuladen.

LLMs in der Tumordokumentation (2024)

PDF Dokument

Interaktive Demo

OnkoTutorGPT Simulator

Probieren Sie selbst aus, wie KI unstrukturierte Arztbriefe analysiert. Wählen Sie unten einen der anonymisierten Demo-Fälle aus und lassen Sie die KI die TNM-Klassifikation extrahieren. Beobachten Sie, wie das System die Textstellen (Evidenz) findet und daraus strukturierte Daten ableitet.

Arztbrief-Auswahl
Wähle einen anonymisierten Fall aus der Tumordokumentation.
PATIENTENBRIEF (Auszug) Patient: Mustermann, Max (geb. 12.03.1955) Datum: 15.01.2024 Diagnose: Prostatakarzinom, Erstdiagnose 01/2024. Histologie: Adenokarzinom der Prostata, Gleason 4+3=7a. Tumorausbreitung: MRT Becken vom 10.01.2024: Suspekter Herd in der peripheren Zone links, Kapselüberschreitung wahrscheinlich (cT3a). Keine vergrößerten Lymphknoten iliacal oder obturatorisch abgrenzbar. Skelettszintigraphie: Kein Nachweis ossärer Metastasen. Beurteilung: Klinisch lokal fortgeschrittenes Prostatakarzinom. Empfehlung zur radikalen Prostatektomie.
KI-Extraktion (JSON)
Strukturierte Daten, die das LLM aus dem Text extrahiert hat.

Wähle einen Brief und klicke auf "Analysieren", um zu sehen, wie die KI unstrukturierte Texte in strukturierte Registerdaten verwandelt.

Lernzielkontrolle Modul 2

Min. 60% erforderlich

1. Was war ein Hauptergebnis der Studie bezüglich der Leistungsfähigkeit von LLMs?

2. Welchen ökonomischen Vorteil stellte die Studie fest?

3. Wie wurde mit dem Thema Datenschutz umgegangen?

4. Welche Rolle spielt der Mensch im beschriebenen Prozess?