05411 Einsatz von LLM im Krankenhaus
|
Lokale Large Language Models (LLM) sind ein Schlüssel zur Digitalisierung der Medizin. Sie finden bereits in der radiologischen Befundung Anwendung und ermöglichen hier im RIS und im PACS eine effiziente Dokumentation, eine strukturierte Befundung und eine verbesserte Kommunikation in Kombination mit der datenschutzkonformen Verarbeitung sensibler Patientendaten. Die Zukunft liegt in der Kombination von lokalen LLM mit medizinischen Ontologien und Wissensgraphen und semantischen Terminologiedatenbanken wie SNOMED CT, um die Zuverlässigkeit medizinischer Befunde weiter zu erhöhen. von: |
In der modernen Radiologie steht die medizinische Bildgebung an der Schwelle zu einer tiefgreifenden technologischen Veränderung. Die Analyse von Thorax-Röntgenbildern zum Beispiel – eine der am häufigsten durchgeführten radiologischen Untersuchungen weltweit – ist aufgrund der hohen Fallzahlen und der Komplexität subtiler pathologischer Veränderungen eine Möglichkeit der Anwendung für künstliche Intelligenz.
Effizienzsteigerung
Die Integration fortschrittlicher künstlicher Intelligenz, insbesondere in Form von groß angelegten Sprachmodellen wie ChatGPT, markiert einen Paradigmenwechsel sowohl für die medizinische Forschung als auch für die tägliche Patientenversorgung wie zum Beispiel der Befundschreibung in der radiologischen Bildgebung im Krankenhaus. Das transformative Potenzial dieser Technologien liegt vor allem in der signifikanten Effizienzsteigerung klinischer Prozesse. Indem generative Sprachmodelle standardisierte Routineaufgaben innerhalb der medizinischen Dokumentation übernehmen, entlasten sie das klinische Personal spürbar von administrativen Lasten und schaffen Raum für die Kernaufgaben zum Beispiel die Befundschreibung eines radiologischen Facharztes.
Die Integration fortschrittlicher künstlicher Intelligenz, insbesondere in Form von groß angelegten Sprachmodellen wie ChatGPT, markiert einen Paradigmenwechsel sowohl für die medizinische Forschung als auch für die tägliche Patientenversorgung wie zum Beispiel der Befundschreibung in der radiologischen Bildgebung im Krankenhaus. Das transformative Potenzial dieser Technologien liegt vor allem in der signifikanten Effizienzsteigerung klinischer Prozesse. Indem generative Sprachmodelle standardisierte Routineaufgaben innerhalb der medizinischen Dokumentation übernehmen, entlasten sie das klinische Personal spürbar von administrativen Lasten und schaffen Raum für die Kernaufgaben zum Beispiel die Befundschreibung eines radiologischen Facharztes.
Technisch basieren diese sogenannten Large Language Models (LLM) auf komplexen statistischen Verfahren der Wahrscheinlichkeitsrechnung, die es ihnen ermöglichen, kohärente und kontextsensitive Textinhalte in dialogorientierten Formaten zu generieren. Diese Fähigkeit zur semantischen Aufbereitung erlaubt es, hochkomplexe ärztliche Dokumentationen zielgruppengerecht zu transformieren.
Patienteninformationen
Radiologische Befunde sind oft für Patienten schwer verständlich. Ein besonderer Mehrwert in der Anwendung ergibt sich in der Radiologie durch die automatisierte Erstellung von Patienteninformationen in leicht verständlicher Sprache. Eine solche barrierefreie Kommunikation kann dazu beitragen, die individuelle Gesundheitskompetenz der Patientinnen und Patienten zu stärken, was wiederum die Therapietreue nachhaltig fördert und das Vertrauensverhältnis zwischen Arzt und Patient festigt.
Radiologische Befunde sind oft für Patienten schwer verständlich. Ein besonderer Mehrwert in der Anwendung ergibt sich in der Radiologie durch die automatisierte Erstellung von Patienteninformationen in leicht verständlicher Sprache. Eine solche barrierefreie Kommunikation kann dazu beitragen, die individuelle Gesundheitskompetenz der Patientinnen und Patienten zu stärken, was wiederum die Therapietreue nachhaltig fördert und das Vertrauensverhältnis zwischen Arzt und Patient festigt.
Um das volle Potenzial dieser KI-gestützten Chatbots auszuschöpfen und eine sichere Anwendung im klinischen Alltag zu gewährleisten, ist eine fundierte Auseinandersetzung mit ihrer Funktionsweise unerlässlich. Das Ziel ist es, die Anwenderkompetenz zu schärfen und somit die Qualität der Interaktion mit der KI zu optimieren. In diesem Zusammenhang liefert ein detaillierter Erfahrungsbericht wertvolle Einblicke in die gegenwärtigen Möglichkeiten, aber auch in die systemimmanenten Limitationen bei der automatisierten Erstellung von Epikrisen und radiologischen Befunden im Krankenhaus.
Lokale LLM
Perspektivisch wird die Implementierung lokaler, datenschutzkonformer LLM-Instanzen direkt in die bestehenden Infrastrukturen – wie Krankenhausinformationssysteme (KIS) oder Radiologieinformationssystem (RIS) – sowie deren Verknüpfung mit der elektronischen Patientenakte (ePA) eine moderne Neugestaltung der abteilungsübergreifenden Versorgung im Krankenhaus einleiten. Diese technologische Neuerung verspricht eine nahtlose, intelligente Datenverarbeitung, die die medizinische Qualität im stationären wie im radiologischen Sektor auf ein neues Niveau hebt.
Perspektivisch wird die Implementierung lokaler, datenschutzkonformer LLM-Instanzen direkt in die bestehenden Infrastrukturen – wie Krankenhausinformationssysteme (KIS) oder Radiologieinformationssystem (RIS) – sowie deren Verknüpfung mit der elektronischen Patientenakte (ePA) eine moderne Neugestaltung der abteilungsübergreifenden Versorgung im Krankenhaus einleiten. Diese technologische Neuerung verspricht eine nahtlose, intelligente Datenverarbeitung, die die medizinische Qualität im stationären wie im radiologischen Sektor auf ein neues Niveau hebt.
Technische Herausforderungen
Dennoch gibt es Stand 2026 immer noch technische Herausforderungen, die den Einsatz von lokalen LLM in der medizinischen Befundung mit Vorsicht zur Anwendung bringen sollten, wie beispielsweise sogenannte digitale Halluzinationen bei denen LLM plausible, aber falsche Informationen in einem radiologischen Befund erzeugen können. Hier helfen Ansätze wie die Kombination mit Wissensgraphen (Knowledge Graphs) für mehr Genauigkeit und Reproduzierbarkeit oder der sogenannte Nichtdeterminismus, der betrachtet, dass unterschiedliche Antworten auf gleiche Eingabe in der Informationsverarbeitung problematisch sind.
Dennoch gibt es Stand 2026 immer noch technische Herausforderungen, die den Einsatz von lokalen LLM in der medizinischen Befundung mit Vorsicht zur Anwendung bringen sollten, wie beispielsweise sogenannte digitale Halluzinationen bei denen LLM plausible, aber falsche Informationen in einem radiologischen Befund erzeugen können. Hier helfen Ansätze wie die Kombination mit Wissensgraphen (Knowledge Graphs) für mehr Genauigkeit und Reproduzierbarkeit oder der sogenannte Nichtdeterminismus, der betrachtet, dass unterschiedliche Antworten auf gleiche Eingabe in der Informationsverarbeitung problematisch sind.
Datenschutz
Lokale Modelle können durch kontrollierte Trainingsdaten und Retrieval-Augmented Generation (Verbindung von Sprachmodellen mit externen Wissensquellen) stabiler gemacht werden. Ein wichtiges Thema ist die Einhaltung des Datenschutzes, wenn lokale LLM-Sprachassistenten zur Bildbefundung im Krankenhaus zum Einsatz kommen. Es muss sichergestellt sei, dass die LLM-Software datenschutzkonform ist (Einhaltung der Vorgaben der DSGVO) und die digitalen Patientendaten sicher im Krankenhaus vorgehalten werden.
Lokale Modelle können durch kontrollierte Trainingsdaten und Retrieval-Augmented Generation (Verbindung von Sprachmodellen mit externen Wissensquellen) stabiler gemacht werden. Ein wichtiges Thema ist die Einhaltung des Datenschutzes, wenn lokale LLM-Sprachassistenten zur Bildbefundung im Krankenhaus zum Einsatz kommen. Es muss sichergestellt sei, dass die LLM-Software datenschutzkonform ist (Einhaltung der Vorgaben der DSGVO) und die digitalen Patientendaten sicher im Krankenhaus vorgehalten werden.
1 LLM: Anwendung in der Befundung
Die medizinische Befundung ist ein Bereich, in dem LLM besonders viel Potenzial entfalten. Typische Anwendungsgebiete im Krankenhaus sind (Beispiele):
| • | Arztbriefschreibung: LLM können Routineaufgaben wie die Erstellung von Arztbriefen (wie z. B. radiologische Befunde) übernehmen Sie analysieren vorhandene Befunde, Laborwerte und Anamnesen und generieren daraus strukturierte Berichte. Dies spart Zeit und reduziert die Arbeitsbelastung des medizinischen Personals. |
| • | Strukturierung unstrukturierter Daten: Ein Großteil medizinischer Informationen liegt in freiem Text vor (z. B. radiologische Befunde, OP-Berichte). LLM können diese Texte automatisch strukturieren, relevante Informationen extrahieren und in standardisierte Formate überführen. Dies erleichtert die Weiterverarbeitung und Analyse |
| • | Unterstützung bei Diagnosen: Lokale Modelle wie „LLaMA 2” wurden erfolgreich eingesetzt, um klinische Merkmale aus Patientenakten zu identifizieren, etwa bei komplexen Erkrankungen wie Leberzirrhose. Die KI kann Muster erkennen und Diagnosen vorschlagen, wobei die Ergebnisse mit Fachärzten verglichen werden, um die Genauigkeit sicherzustellen. |
| • | Verbesserung der Patientenkommunikation: LLMs können medizinische Fachsprache in leicht verständliche Texte umwandeln, was die Gesundheitskompetenz der Patienten erhöht und die Therapieadhärenz verbessert. |
| • | Ambient Listening und Echtzeit-Dokumentation: Neue Ansätze wie „Ambient Listening” nutzen LLM, um Arzt-Patienten-Gespräche automatisch zu transkribieren und in strukturierte Dokumentationen umzuwandeln – inklusive ICD-10-Codierung. Dies reduziert den Dokumentationsaufwand erheblich. |
2 Lokales LLM: Spezialisierung schlägt Generalisierung
Aktuelle Studien und Benchmarks deuten darauf hin, dass spezialisierte, lokal ausführbare Modelle bei der radiologischen Befundanalyse zum Beispiel von Thorax-Aufnahmen im Krankenhaus ein Niveau erreicht haben, das mit GPT-4o gleichzieht. In der Studie werden dazu Schlussfolgerungen aufgelistet wie (Beispiele):
| 1. | Spezialisierung: Während GPT-4o ein Generalist ist, werden lokale Modelle (wie Llama-3-Varianten oder spezialisierte Med-LLMs) gezielt auf medizinischen Datensätzen wie MIMIC-CXR feingeschliffen (sogenanntes Fine-Tuning). |
| 2. | Multimodalität vor Ort: Moderne Architekturen erlauben es, Vision-Encoder direkt mit dem Sprachmodell zu koppeln, sodass die Bild-zu-Text-Interpretation bei der Bildbefundung ohne Umwege über externe Server erfolgt. |
Eine weitere Betrachtung ist, dass lokale LLM in der radiologischen Befundung mit semantischen Sprach- und Bezeichnungskatalogen (medizinische Terminologie) wie SNOMED CT zusammenarbeiten. Dies fördert die digitale Interoperabilität im Krankenhaus. SNOMED CT ist in der Radiologie im Krankenhaus essenziell, um Befunde konsistent, digital nutzbar und international verständlich zu machen – ein Schlüssel für moderne, vernetzte und präzise Diagnostik.
Eine Studie [1] zeigt, dass SNOMED CT für die Strukturierung klinischer Daten unerlässlich ist. Es biete eine standardisierte und wissenschaftlich validierte Möglichkeit zur Darstellung klinischer Informationen. Zudem ermöglicht es auch Wissensdarstellungen in klinischen Leitlinien und Versorgungspfaden, die beispielsweise zur Entscheidungsunterstützung genutzt werden können. Die Gewährleistung einer lückenlosen syntaktischen und semantischen Interoperabilität zur effizienten Transmission im Kontext der Anwendung medizinischer lokaler Sprachmodelle und der prozeduralen Verarbeitung medizinischer Datensätze stellt eine kritische Determinante innerhalb der Befunddatenverarbeitung im Krankenhaus und insbesondere in der Radiologie dar.
Diese Notwendigkeit erstreckt sich über das gesamte Spektrum der Versorgungskette, beginnend bei der institutsübergreifenden Datenintegration, über die intersektorale Vernetzung heterogener Versorgungsstrukturen bis hin zum Datenaustausch zwischen externen oder unterschiedlichen Krankenhäusern. Zukünftig denkbar wäre auch der Datenaustausch zwischen divergierenden internationalen Gesundheitssystemen.
Vorteile von SNOMED CT im Kontext der Anwendung medizinischer Sprachmodelle sind (Beispiele):
| • | Strukturierte Befundung: Radiologische Beschreibungen wie z. B. „Aufnahme des Thorax bettlägerig” werden eindeutig codiert, wodurch Missverständnisse vermieden werden. |
| • | Interoperabilität: SNOMED CT ermöglicht den Austausch von Bildbefunden und Diagnosen zwischen verschiedenen Systemen und Einrichtungen, auch international. |
| • | Verknüpfung mit anderen Standards: Es ergänzt Klassifikationen wie ICD-10 und erlaubt eine detaillierte Abbildung von Befunden, Symptomen und Prozeduren. |
| • | Automatisierte Analyse: Durch die Codierung können radiologische Daten leichter für Forschung, KI-gestützte Auswertungen und Entscheidungsunterstützung und in Zusammenarbeit mit der Anwendung von medizinischen Sprachmodellen genutzt werden. |
3 Fallbeispiel Zusammenwirken von SNOMED CT und lokalem LLM
Ein konkretes Beispiel für eine digitale Ressource zeigt, wie ein SNOMED-codierter Befund technisch abgebildet wird und dann von einem LLM weiter genutzt wird. Das Beispiel (s. Abb. 1) beschreibt eine HL7-FHIR-Ressource (vom Typ Observation), die zeigt, wie ein radiologischer Befund – in diesem Fall eine Pneumonie im Thorax-Röntgen – unter Verwendung von SNOMED CT zunächst technisch strukturiert abgebildet wird.
Die nachfolgende Verwendung eines lokalen LLM als Applikation eines RIS oder KIS gestattet es, die Information sofort „so zu verstehen”, ohne den radiologischen Thorax-Befundfreitext lesen zu müssen.
Erläuterung der technischen Komponenten zu dem konkrete Fallbeispiel:
| • | system: "http://snomed.info/sct": Dies definiert SNOMED CT als die zugrundeliegende „Sprache” (Nomenklatur). |
| • | code: "233604007": Dies ist der eindeutige SNOMED-Identifier für Pneumonie. Egal ob der Arzt „Lungenentzündung”, „pneumonisches Infiltrat” oder „pneumonia” schreibt – die Maschine erkennt immer diesen eindeutigen Code. |
| • | bodySite: "51185008": Dies codiert die anatomische Region Thorax. Damit weiß das System sofort, auf welchen Körperteil sich der Befund bezieht. |
| • | status: "final": Signalisiert dem KIS oder dem RIS, dass der Befund validiert ist und in die elektronische Patientenakte (ePA) übernommen werden kann. |
Technologische und interoperable Transparenz für lokale LLM
Wenn ein lokales LLM im Krankenhaus als KI-Plattformmodell integriert wird, muss dieses Modell nicht mühsam versuchen, unstrukturierten Text zu interpretieren. Stattdessen kann es: