Klinische Datenanalyse durch Large Language Model Agenten: Leistung und Fehler
Von KI ausgewählt und zusammengefasst
Worum es geht
Evaluation eines LLM-Agenten (Claude) über fünf Workflows klinischer Datenanalyse – Forschungsfragen generieren, Analyseplan entwerfen, Code ausführen – anhand standardisierter ophthalmologischer Daten (7802 Patienten, 12 Jahre).
Ergebnis
Agent generiert 18 klinisch fundierte Fragen, alle 9 Analysepläne strukturell korrekt. Kaplan-Meier-Schätzer zuverlässig. Systematische Fehler in Code-Ausführung: SAP-Qualität nicht prädiktiv für Korrektheit, identische Fehler wiederholbar. 8 von 17 Narrativen vollständig zufriedenstellend; 2 klinisch relevante Fehler. Textuelle Zusammenfassung deckt sich mit Logs.
Übertragbarkeit auf Deutschland
UK/USA (Moorfields), Forschungssetting; zeigt, welche Pipeline-Schritte (Ideengeneration, Planungsentwurf) ohne Expertise funktionieren, welche (Formellogik, Kohortengrenzen) Verifizierung brauchen.
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.