LLM-gestützte Zuordnung von Klinikvariablen zu FHIR-Standards
Von KI ausgewählt und zusammengefasst
Worum es geht
LLMs (GPT-4o, Llama 3.3 70B) mit Retrieval-Augmented Generation getestet zur automatisierten Zuordnung von 65 strukturierten Klinikvariablen (MIMIC-IV-Daten) zu HL7 FHIR-Ressourcen; zwei Szenarien mit unterschiedlicher Kontextmenge.
Ergebnis
Im Baseline-Szenario (reichhaltige Beschreibungen): Ressourcen-Identifikation Top2 100% genau, Best-Attribute-Mapping (GPT-4o) 80,61% (SD 2,06). Im Low-Context-Szenario (reduzierte Kontextinformation): Top5 Ressourcen-Identifikation 94%, GPT-4o Attribute-Mapping 73,23–76,77% (je nach Temperature). Clustering unterstützte Kontext-Erholung.
Übertragbarkeit auf Deutschland
USA-basierte Daten, Interoperabilitäts-Challenge universal, Befund zu Modell-Unterschieden global 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.