Large Language Models zur automatisierten Klassifizierung postoperativer Komplikationen aus Kliniktexten: Zero-Shot-Ansatz im Krankenhaus
Von KI ausgewählt und zusammengefasst
Worum es geht
Sechs LLMs wurden getestet, um postoperative Komplikationen nach der Clavien-Dindo-Klassifikation direkt aus Entlassungsbriefen von Leberchirurgie-Patienten zu erfassen, ohne spezielles Training auf diese Daten.
Ergebnis
Open-Weight-Modelle erreichten Genauigkeiten von 0,75–0,78 für die 5-stufige Klassifikation (F1-Score 0,76–0,78), für binäre Klassifikation (kritisch vs. unkritisch) 0,93–0,94 (F1 0,93–0,95, Cohen κ 0,76–0,79). Performance näherte sich dem Benchmark zwischen zwei Fachleuten (κ=0,75). Proprietary Modelle erreichten 0,78 bzw. 0,94–0,98. Ein Ensemble-Ansatz verbesserte die Robustheit.
Übertragbarkeit auf Deutschland
Deutsche Universitätskliniken, ähnliche Dokumentationspflichten und unstrukturierte Klinikabrechnungstexte
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.