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

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

Transformer-Sprachmodelle erkennen Medikamentennamen-Tippfehler besser als Wörterbücher und GPT-4

Lu J et al. · JMIR Med Inform · erschienen 29.09.2026 · PMID 42809845

Von KI ausgewählt und zusammengefasst

Worum es geht

Entwicklung und Validierung von BERT-basierten Modellen (BERTDrug, CharBERTDrug) für Erkennung von Schreibfehlern in Medikamentennamen; Training auf RxNorm-Corpus (69.824 Namen), externe Validierung auf Long-Term-Care-Datenbank (LTCDC, 3.586 Namen), Vergleich mit Dictionary-Baseline und GPT-4o.

Ergebnis

BERTDrug F1-Score 0,859 (RxNorm-Test), CharBERTDrug F1 0,696 auf Out-of-Vocabulary-LTCDC-Daten (ROC-AUC 0,788). Beide übertroffen GPT-4o auf RxNorm-Test (GPT: F1 0,721); auf LTCDC-Minority-Terms (200) GPT besser. Superior für unbekannte Begriffe; Domain-Shift reduziert Vorteil von Domänen-Training.

Übertragbarkeit auf Deutschland

USA-Studie mit RxNorm-Vokabular; Methode auf deutsche Arzneimittel-Nomenklaturen übertragbar

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