Knowledge-Hub Digitalisierung, KI & Gesundheitein Angebot von Monitor Versorgungsforschung

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

KI-gestützte Surveillance: Large Language Models identifizieren Überdosis-Todesfälle aus Obduktionsberichten

Hochstatter KR et al. · Am J Public Health · erschienen Okt. 2026 · in PubMed seit 09.09.2026 · PMID 42715542

Von KI ausgewählt und zusammengefasst

Worum es geht

Zwei LLM-Pipelines (LLaMA-8B-Instruct und ClinicalModernBERT) analysieren unstrukturierte Narrative von Todesfallermittlungen, um Überdosistodesfälle automatisch zu erkennen, mit Safeguards für Datenschutz und Bias-Kontrolle.

Ergebnis

LLaMA-8B: 88 % PPV, 92 % Sensitivität, 84 % NPV, 76 % Spezifität, 85 % Macro-F1. ClinicalModernBERT: 83 % PPV, 92 % Sensitivität, 82 % NPV, 67 % Spezifität, 81 % Macro-F1. Beide Modelle übertrafen bisherige Surveillance-Tools und logistische Regression. Human-in-the-loop-Design mit Fehleranalyse und kontinuierlicher Bias-Bewertung.

Übertragbarkeit auf Deutschland

USA; NLP-Ansatz auch auf deutsche EHR-Daten anwendbar.

Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.