LLM-gestützte Spirometrie-Auswertung: Effekt von Leitlinien-Prompting
Von KI ausgewählt und zusammengefasst
Worum es geht
Vergleichende Querschnitts-Studie mit 500 anonymisierten Spirometrie-Berichten (362 für alle Gruppen interpretierbar), bei der ChatGPT und Gemini-Modelle vor und nach strukturiertem Leitlinien-basierten Prompting zur ERS/ATS-konformen Spirometrie-Interpretation getestet wurden, gegen pneumologische Konsens-Referenz.
Ergebnis
ChatGPT: Multiclass-Genauigkeit stieg von 72,1 % auf 74,0 % nach Prompting (κ=0,582→0,608); Sensitivität für obstruktive Muster von 60,0 % auf 63,6 %. Gemini: Genauigkeit blieb 69,9 %, Sensitivität für obstruktiv fiel von 32,7 % auf 19,1 %. Beide Modelle überschätzten Interpretierbarkeit vs. Spezialisten (p<0,001). Leitlinien-Prompting führte zu modellspezifischen, nicht einheitlichen Verbesserungen; gemischte Muster wurden von beiden schlecht erkannt. Schlussfolgerung: spezialistisch beaufsichtigte Mensch-im-Loop-Nutzung erforderlich.
Übertragbarkeit auf Deutschland
Türkische Studie mit internationalem Standard (ERS/ATS); Befunde zur LLM-Zuverlässigkeit in Fachgebiet-Interpretation universell relevant.
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.