Können große Sprachmodelle (LLM) Neurologen bei der Analyse von Schlaganfallpatienten unterstützen?

Künstliche Intelligenz (KI) ist einer der größten technologischen Durchbrüche dieses Jahrzehnts. Die Einführung von ChatGPT hat KI besonders in den Mainstream katapultiert, wobei ihre Anwendungen sich über verschiedene Sektoren erstrecken, einschließlich des Gesundheitswesens. Besonders Neurologen könnten erheblich davon profitieren, KI zu nutzen, um die Orte von Schlaganfällen im Gehirn genau zu bestimmen, wie eine aktuelle Studie gezeigt hat.

Apropos Schlaganfälle: Sie sind eine der häufigsten Todesursachen in den USA; alle 40 Sekunden erleidet jemand in den USA einen Schlaganfall, und alle 3 Minuten und 14 Sekunden stirbt jemand an einem Schlaganfall. Neben der Sterblichkeit können Schlaganfälle auch langfristige Behinderungen verursachen. Daher kann die Identifizierung des Schlaganfallortes im Gehirn helfen, seine langfristigen Auswirkungen vorherzusagen, die stark variieren können, von Beeinträchtigung der Mobilität einer Person bis hin zu Beeinträchtigung von Sprach- und Sprechfähigkeiten. Zusätzlich kann KI helfen, die Prognose einer Person zu bestimmen und die beste Behandlung zu finden.

Typischerweise helfen Gehirnscans, den Ort von Läsionen zu finden, also Bereichen von Gewebeschäden durch Schlaganfälle. Allerdings hat nicht jeder Zugang zu Neurologen für Gehirnscans.

Um diese Lücke zu schließen, sagte der Studienautor Jung-Hyun Lee, MD, Mitglied der American Academy of Neurology und der State University of New York, Downstate Health Sciences University in Brooklyn, „wir wollten feststellen, ob GPT-4 anhand der Krankengeschichte einer Person und einer neurologischen Untersuchung die Gehirnläsionen nach einem Schlaganfall genau lokalisieren kann“.

Weitere Teilnehmer der Studie sind Eunhee Choi, MD, Abteilung für Innere Medizin, Lincoln Medical Center, NY; Robert McDougal, MD, Abteilung für Biostatistik an der Yale School of Public Health und Programm für Computational Biology und Bioinformatics am Wu‑Tsai Institute; sowie William W. Lytton, MD, Abteilung für Neurologie an der State University of New York Downstate Health Sciences University und Abteilung für Neurologie am Kings County Hospital.

Veröffentlicht im Online‑Journal der American Academy of Neurology, Neurology® Clinical Practice, zeigte die Studie die Fähigkeit von KI, Texte aus neurologischen Untersuchungen und Krankengeschichten zu verarbeiten, um den Ort der Läsion im Gehirn zu identifizieren.

Dafür nutzte das Team das große Sprachmodell (LLM) GPT‑4. Dieser generative, vortrainierte Transformer wurde mit enormen Datenmengen trainiert und hat „bemerkenswerte Fähigkeiten“ bei der Erzeugung von Textantworten auf textbasierte Anfragen gezeigt.

Dieses Unterfangen ist nicht das erste seiner Art, da die Funktionalität von LLMs bereits zuvor untersucht wurde, um frei formulierte Fragen von Ärzten zu beantworten. Allerdings war die zuvor entwickelte Software zur Läsionslokalisierung eher begrenzt im Umfang. Ziel dieser Studie ist es, die Fähigkeit von GPT‑4 zur Lokalisierung akuter Schlaganfallläsionen basierend auf der klinischen Präsentation zu bewerten und damit die potenzielle Rolle von KI als klinisches Werkzeug in der Neurologie für die Zukunft aufzuzeigen.

Enormes Potenzial

In dieser Studie sammelten die Forscher die Krankengeschichten und neurologischen körperlichen Untersuchungen von 46 veröffentlichten Fällen von Schlaganfallpatienten. Diese Textdaten wurden anschließend in GPT‑4 eingespeist. Mit Hilfe von Zero‑Shot Chain‑of‑Thought‑ und Textklassifikations‑Prompt‑Techniken sollte das Modell drei spezifische Fragen zu jedem Patienten beantworten, jeweils dreimal wiederholt: ob ein Teilnehmer einzelne oder mehrere Läsionen hatte, auf welcher Seite des Gehirns die Läsionen lagen und in welchem Hirnareal die Läsionen gefunden wurden.

Beim Vergleich der GPT‑4‑Ergebnisse mit den Gehirnscans jedes Teilnehmers stellten die Forscher fest, dass die Resultate ziemlich zufriedenstellend waren, mit Ausnahme von Läsionen im Kleinhirn und Rückenmark.

GPT‑4 zeigte ein hohes Maß an Genauigkeit bei der Identifizierung des Ortes der Gehirnläsionen in den meisten Fällen und erreichte eine Spezifität von 87 % (Prozentsatz korrekt identifizierter Negativbefunde) und eine Sensitivität von 74 % (Prozentsatz korrekt identifizierter Positivbefunde). Das Modell erreichte zudem eine Spezifität von 94 % und eine Sensitivität von 85 % bei der Bestimmung der am stärksten betroffenen Hirnregionen.

Die Studie ergab zudem, dass das Modell bei 76 % der Teilnehmer konsequent die Anzahl der Gehirnläsionen identifizierte, bei 83 % den Ort der Läsionen und bei 87 % die spezifischen betroffenen Hirnregionen. Bei der Bewertung der Antworten des Modells auf alle drei Fragen über drei Versuche pro Teilnehmer sank jedoch die Konsistenz drastisch, sodass GPT‑4 nur bei 41 % der Teilnehmer korrekte Antworten liefern konnte.

Dies weist darauf hin, dass LLMs, wie generative vortrainierte Transformer (GPT), „noch nicht klinikreif“ sind. Dennoch zeigen sie Potenzial bei der Identifizierung des Läsionsortes nach einem Schlaganfall und könnten gesundheitliche Ungleichheiten verringern, dank ihrer Fähigkeit, in verschiedenen Sprachen zu funktionieren.

Die Studie hebt zudem die wachsende Bedeutung neurologischer Expertise für die Schlaganfallintervention hervor, insbesondere angesichts des Anstiegs der Telemedizin‑Nutzung. Darüber hinaus kann das Modell bei zeitnahen Entscheidungen helfen, den Bedarf an weiteren Bildgebungsstudien oder sogar einer neurologischen Konsultation zu beurteilen.

Laut Lee: 

„Ihr Nutzungspotenzial ist ermutigend, insbesondere wegen des großen Bedarfs an verbesserter Gesundheitsversorgung in unterversorgten Regionen mehrerer Länder, in denen der Zugang zu neurologischer Versorgung begrenzt ist.“

Bemerkenswert ist, dass die Genauigkeit von GPT‑4 von der Qualität der eingegebenen Daten abhängt und detaillierte Informationen zur Krankengeschichte und zu neurologischen Untersuchungen nicht immer für alle Schlaganfallpatienten verfügbar sein können.

Die Studie betonte, dass die Forscher mit einem LLM ohne medizinische Ausbildung oder Feinabstimmung gearbeitet haben. Außerdem wurde festgestellt, dass die Berichte atypischer Fälle oft nicht ausreichend detaillierte Krankengeschichten und neurologische Untersuchungen enthielten. Dadurch entstanden Ungenauigkeiten aufgrund unzureichender Informationen in den veröffentlichten Fällen sowie logischer Fehler oder Lücken in der zugrunde liegenden Wissensbasis.

Daher besteht ein Bedarf an weiterer Forschung hinsichtlich logistischer, rechtlicher, patientensicherheits- und datenschutzrelevanter Aspekte, um Genauigkeit und Konsistenz sicherzustellen und die Integration in Krankenhausabläufe für eine praktikable Nutzung von LLMs in klinischen Umgebungen zu ermöglichen.

Klicken Sie hier, um zu erfahren, warum 2023 ein Durchbruchsjahr für künstliche Intelligenz war.

Wachsende Bedeutung & Nutzung von LLMs im Gesundheitswesen

Die Studie zeigt hervorragende Ergebnisse und demonstriert ein weiteres Beispiel für die wachsende Rolle von LLMs im Gesundheitswesen – einem Bereich, der viel Aufmerksamkeit erhält. Schließlich verändern sie den Sektor in vielerlei Hinsicht. Ihre Nutzung wandelt sich allmählich von Erkundungsphasen zu praktischen Anwendungen und beeinflusst nun die klinische Forschung und die Patientenversorgung. Ihre Fähigkeit, riesige Datenmengen zu verarbeiten, Echtzeiteinblicke zu bieten und Texte von menschlicher Qualität mit fachlichem Wissen zu erzeugen, revolutioniert den Sektor.

Auf großen Mengen komplexer Daten trainiert, darunter Texte, Bilder und Videos aus dem Internet, finden diese Modelle vielseitige Anwendungen in verschiedenen Bereichen, einschließlich der Medizin.

Erste Aufmerksamkeit erlangte es, als das von Microsoft unterstützte OpenAI 2018 sein erstes LLM, GPT‑1, veröffentlichte. Die weit verbreitete Akzeptanz wurde durch die öffentliche Zugänglichkeit und die benutzerfreundliche Handhabung gefördert. Diese Merkmale resultierten aus der Integration von Reinforcement Learning from Human Feedback (RLHF), wodurch das Modell glaubwürdigere und menschenähnlichere Ausgaben als seine Vorgänger lieferte.

Seit dem Start der LLM‑basierten Chatbot‑Anwendung ChatGPT haben mehrere Technologieunternehmen, wie Meta (Llama), Google (BARD), Amazon und das von Salesforce unterstützte Anthropic (Claude), ihre LLMs veröffentlicht. Unterdessen zeigt die neueste Version von OpenAI, GPT‑4, verbesserte Fähigkeiten, etwa das Überschreiten der Bestehensgrenze der US Medical Licensing Exam (USMLE).

Damit hat ChatGPT seine Fähigkeit für medizinische Zwecke gezeigt, sodass wir durch Feinabstimmung von LLMs und zusätzlichem Training diese nutzen können, um die Patientenversorgung zu verbessern. Menschliche Kommunikation ist ein zentraler Aspekt, und die menschenähnliche Fähigkeit von GPT hat es ermöglicht, die Patientenzufriedenheit zu steigern und optimale klinische Ergebnisse zu erzielen.

Während die Verarbeitung riesiger Datenmengen für Menschen herausfordernd sein kann, können LLMs dies in einem Bruchteil der Zeit problemlos erledigen. Sie optimieren diesen Prozess, indem sie die Daten organisieren und uns ermöglichen, sie effektiv zu nutzen. Nicht nur historische Daten; LLMs analysieren kontinuierlich neue, eingehende Daten wie Vitalzeichen und Patientensymptome, was Gesundheitsfachkräften bei Echtzeit‑ und schnellen Entscheidungen erheblich hilft.

Durch die Analyse umfangreicher Datensätze aus wissenschaftlicher Literatur, klinischen Studien, Behandlungsrichtlinien und medizinischen Aufzeichnungen beschleunigen LLMs zudem die medizinische Forschung, um neue Therapien zu identifizieren und wirksame Behandlungen zu entwickeln. Diese Modelle können Korrelationen herstellen und Muster erkennen, die unser Verständnis von Krankheiten voranbringen und die medizinische Forschung beschleunigen.

Zudem liefern diese Modelle wertvolle Einblicke, die Gesundheitsfachkräften bei klinischen Entscheidungen helfen, etwa bei genauen Diagnosen und personalisierten Behandlungsplänen, was die Patientenversorgung verbessert. Nicht nur Fachkräfte, sondern LLMs befähigen auch Patienten, indem sie verständliche und zugängliche Informationen bereitstellen, damit sie ihre Erkrankungen besser verstehen und aktiv an ihrem Gesundheitsweg teilnehmen können.

Klicken Sie hier, um zu erfahren, was KI zu einem Alleskönner macht.

Innovation im Gesundheitswesen vorantreiben

Angesichts der enormen Vorteile und des Potenzials erreichte der Markt für generative KI im Gesundheitswesen im Jahr 2022 einen Wert von über 1 Milliarde US‑Dollar und soll bis 2032 auf 22 Milliarden US‑Dollar anwachsen, laut dem Generative AI Tracker.

Im Bereich der medizinischen Geräte hat die Kardiologie diese Entwicklung angeführt, wobei 57 % der von der FDA im Jahr 2022 zugelassenen KI‑unterstützten Medizinprodukte im Bereich Kardiologie liegen, laut GlobalData. Dieser Trend wird sich voraussichtlich fortsetzen, wobei die Ausgaben für KI von Medizinprodukteunternehmen zwischen 2019 und 2024 mit einer jährlichen Wachstumsrate von 20,6 % steigen sollen.

In Zukunft könnten wir sogar die Integration von KI mit 3D‑Bioprinting sehen, um vollständig funktionale Organe zu schaffen, die exakt auf die individuellen Bedürfnisse jedes Patienten zugeschnitten sind.

Dieses Potenzial führt dazu, dass zahlreiche etablierte Organisationen spezialisierte KI‑gestützte Lösungen für das Gesundheitswesen einführen. Beispielsweise bietet Microsoft eine spezialisierte Lösung namens Nuance Dragon Ambient eXperience (DAX) an. Sie erfasst Gespräche zwischen Klinikern und Patienten, wandelt sie in Notizen um und integriert sie in elektronische Gesundheitsakten (EHRs).

Google hat bereits sein MedLM vorgestellt, ein auf das Gesundheitswesen ausgerichtetes LLM, das über die Vertex‑AI‑Plattform verfügbar ist. Das Unternehmen schult seitdem seine Gesundheits‑KI‑Modelle mit den neuesten Forschungsergebnissen, um KI im Gesundheitswesen anzuwenden. Das Modell wurde von Partnerorganisationen genutzt, um Lösungen zu entwickeln, etwa die Optimierung von Übergaben im Pflegebereich und die Unterstützung der Dokumentation von Klinikern.

Erst letzten Monat hat Google seinem Modell neue Fähigkeiten hinzugefügt und MedLM für Brust‑Röntgenaufnahmen gestartet, um die Radiologie zu verändern. Die Idee ist, generative KI zu nutzen, um Gesundheitsorganisationen bei der Kategorisierung von Brust‑Röntgenbildern für verschiedene Anwendungsfälle zu unterstützen.

Doch das ist nicht alles. Google Research arbeitet mit Fitbit zusammen, um ein großes Sprachmodell für die persönliche Gesundheit zu entwickeln, das Wellness‑Funktionen in der Fitbit‑Mobile‑App unterstützt. Dieses Modell soll individuelle Coachings für jeden basierend auf persönlichen Gesundheits‑ und Fitnesszielen anbieten.

Amazon Web Services (AWS) bietet zudem HealthScribe an, das Beratungsgespräche analysiert, um zusammengefasste klinische Notizen für Abschnitte wie Befund, Anamnese und Behandlungsplan zu erstellen. Organisationen können diese Notizen dann in klinische Anwendungen integrieren, um Patientenbesuche effizienter zusammenzufassen.

Anfang dieses Jahres ging das Medizintechnikunternehmen Siemens Healthineers eine Partnerschaft mit dem Indian Institute of Science (IISc) ein, um das Siemens Healthineers‑Computational Data Sciences (CDS) Collaborative Laboratory for AI in Precision Medicine zu gründen. Das Labor konzentriert sich auf die Entwicklung von Open‑Source‑KI‑Tools zur automatisierten präzisen Segmentierung pathologischer Befunde in neuro‑imaging‑Daten. Dies soll zu einer genaueren Diagnose neurologischer Erkrankungen und zur Analyse ihrer klinischen Auswirkungen beitragen.

Dies ist erst der Anfang des wachsenden KI‑Trends im medizinischen Sektor. Die Rolle der künstlichen Intelligenz wird voraussichtlich deutlich größer sein. Derzeit wird sie genutzt, um in Echtzeit patientenspezifische 3‑D‑Modelle für Operationen zu erzeugen; künftig soll KI interaktive Gesundheitserlebnisse bieten, um die Patientenaufklärung und -beteiligung zu transformieren. Auch im Bereich der Genom‑Editierung wird erwartet, dass KI über die reine Analyse komplexer genetischer Daten hinausgeht und genauere Vorhersagen zu Gen‑Krankheits‑Assoziationen für hochgradig individualisierte Gen‑Editierungen liefert.

KI‑gestützte immersive Virtual‑Reality‑Therapiesitzungen für die Behandlung psychischer Erkrankungen sind ein weiteres Einsatzgebiet der Technologie. Darüber hinaus gibt es Nanobots, die KI nutzen, um ein breites Spektrum medizinischer Zustände bereits in frühen Stadien zu erkennen und zu behandeln.

Die Anwendung von LLMs im Gesundheitswesen ist jedoch nicht ohne Bedenken. Es gibt ethische Fragen hinsichtlich Datenschutz, Transparenz und Sicherheit, die Forscher, Gesundheitsfachkräfte und medizinische Organisationen berücksichtigen müssen. Diese Modelle können auch zur Verbreitung von Fehlinformationen verwendet werden, da es an Verantwortlichkeit fehlt – ein Aspekt, der ebenfalls beachtet werden sollte. Zudem besteht die inhärente Gefahr, bestehende Vorurteile zu reproduzieren.

Regierungen weltweit arbeiten daran, die durch KI entstehenden Probleme anzugehen. Europa hat bereits einen Rechtsrahmen für KI geschaffen, während das britische Department of Health and Social Care plant, die Transparenz der für die Entwicklung von KI‑basierten Medizinprodukten genutzten Daten zu verbessern.

Klicken Sie hier, um mehr über die wachsende Synergie von KI & Neurologie zu erfahren.

Fazit

LLMs werden bereits zunehmend im medizinischen Bereich eingesetzt und ihre Nutzung sowie ihr Einfluss werden voraussichtlich weiter zunehmen. Es ist jedoch wichtig, dass diese Modelle verantwortungsbewusst verwendet werden und die zugrunde liegenden Daten von höchster Qualität ohne inhärente Vorurteile und Fehlinformationen sind, um genauere Ergebnisse und bessere Patientenergebnisse zu erzielen.

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.