KI hilft bei der Identifizierung von Krebsüberlebenden im Kindesalter, die zusätzliche Unterstützung benötigen

Künstliche Intelligenz (KI) könnte Ärzten dabei helfen, festzustellen, ob Überlebende einer Krebserkrankung im Kindesalter zusätzliche Unterstützung benötigen – und je mehr Informationen in die KI-Eingabeaufforderung einfließen, desto besser ist ihre Leistung. Dieser Befund wurde heute veröffentlicht in Kommunikationsmedizin von Wissenschaftlern des St. Jude Children’s Research Hospital, könnte die künftige Integration von KI in klinische Arbeitsabläufe leiten.

Die Wissenschaftler beobachteten, wie gut große Sprachmodelle, eine Art KI, Interviews mit jungen Überlebenden und ihren Betreuern analysieren konnten, um mehrere Symptome zu erkennen, die schwere Störungen in ihrem täglichen Leben verursachen. Durch den Vergleich verschiedener Eingabeaufforderungsansätze stellten die Forscher fest, dass komplexere Eingabeaufforderungen, die den Modellen zusätzliche Informationen lieferten, die beste Leistung erbrachten. Die Ergebnisse legen nahe, dass zukünftige Bemühungen, KI zur Verbesserung der Versorgung von Hinterbliebenen einzusetzen, diese anspruchsvollen Aufforderungsstrategien den einfacheren vorziehen sollten.

Etwa 40–60 % aller klinischen Begegnungen bestehen darin, dass ein Patient mit seinem Arzt über Symptome und damit verbundene Gesundheitserfahrungen spricht. Wir haben einen Machbarkeitsnachweis dafür erbracht, dass große Sprachmodelle dabei helfen könnten, diese nicht ausreichend genutzten Gesprächsdaten zu analysieren, um die Schwere der Symptome und ihre funktionellen Auswirkungen zu erkennen und die Entscheidungsfindung des Arztes zu unterstützen, um Überlebenden eine bessere Versorgung zu bieten.“

I-Chan Huang, PhD, korrespondierender Autor, St. Jude Department of Epidemiology & Cancer Control

Vergleich von Aufforderungsstrategien für das Überleben

Krebskranke Kinder werden in einer kritischen Phase ihrer Entwicklung behandelt, was sich später im Leben negativ auswirken kann. Krebs- und behandlungsbedingte Auswirkungen können noch lange nach der Heilung der ursprünglichen Erkrankung auftreten. Für Ärzte ist es jedoch schwierig herauszufinden, bei welchen Überlebenden die Symptome so schwerwiegend sind, dass sie zusätzliche, gezielte Unterstützung benötigen. Viele der Daten, die Aufschluss über die Identifizierung geben, liegen in Gesprächsprotokollen und Antworten auf offene Fragen in Umfragen vor, die nicht schnell überprüft werden können. Neuere sprachbasierte KI bietet Ärzten die Möglichkeit, diese Informationen zu analysieren, zu verstehen und zu nutzen, um Überlebenden zu helfen.

Die Forscher befragten 30 Überlebende im Alter zwischen 8 und 17 Jahren und ihre Betreuer. Zwei menschliche Experten analysierten die Gesprächsprotokolle auf Anzeichen übermäßiger Schmerzen und Müdigkeit und lieferten mehr als 800 analysierbare Informationen. Sie kategorisierten die Symptome nach Schweregrad und ihren körperlichen, kognitiven oder sozialen Auswirkungen. Nach der Durchführung dieser Goldstandard-Analyse übergaben die Wissenschaftler dieselben Transkripte an zwei große Sprachmodelle, ChatGPT und Llama, und verwendeten dabei vier Eingabeaufforderungsstile. Beide Modelle zeigten die Fähigkeit, die Daten auf ähnliche Weise wie die Experten zu analysieren, ihre Leistung hing jedoch von der verwendeten Eingabeaufforderung ab.

Prompting ist die Kunst, KI anzuweisen, eine Aufgabe auszuführen. Die Forscher verglichen vier gängige Aufforderungsstrategien: zwei einfache und zwei komplexe. Die einfachen Ansätze waren Null-Schuss- und Wenig-Schuss-Eingabeaufforderungen, die über die grundlegenden Anweisungen hinaus keine oder nur minimale Informationen liefern. Diese Ansätze führten zu instabilen und ungenauen Ergebnissen.

„Wir haben festgestellt, dass einfache Aufforderungen nicht effektiv waren“, sagte Huang. „Unsere ausgefeilteren Aufforderungsstrategien schnitten jedoch deutlich besser ab und hatten eine höhere Übereinstimmung mit unseren menschlichen Gutachtern.“

Die beiden komplexen Strategien waren eine Gedankenkette und generierten Wissensaufforderungen. Die Gedankenkette verwendet Schritt-für-Schritt-logische Anweisungen, während generiertes Wissen ein Modell dazu veranlasst, sich Hintergrundinformationen auszudenken, bevor es ihm die Anweisungen gibt. Beide komplexen Aufforderungsmethoden unterschieden die physischen und kognitiven Auswirkungen der Symptome auf die Überlebenden gut, während sie nur mäßig in der Lage waren, soziale Auswirkungen zu erkennen.

Für den klinischen Einsatz sind weitaus mehr Tests erforderlich, aber diese ersten Ergebnisse deuten darauf hin, dass in Zukunft Gedankenketten, generiertes Wissen oder ähnliche Anregungsmethoden eingesetzt werden sollten. Die Ergebnisse liefern eines der ersten konkreten Beispiele dafür, wie KI die Versorgung von Hinterbliebenen verbessern kann.

„Diese KI-gesteuerten Ansätze bieten uns eine neue Möglichkeit, die komplexen Symptominformationen zu erschließen, die in der Fülle von Patienten-Arzt-Gesprächen verborgen sind und derzeit ungenutzt bleiben“, sagte Huang. „Indem wir die Erfassung und Analyse dieser Informationen erleichtern, können wir Ärzten dabei helfen, Überlebende, die zusätzliche Unterstützung benötigen, in Echtzeit besser zu identifizieren und die Versorgung dieser wachsenden Bevölkerung zu verbessern.“

Autoren und Finanzierung

Der Erstautor der Studie ist Jin-ah Sim, ehemals St. Jude. Die anderen Autoren der Studie sind Madeline Horan, früher von St. Jude, jetzt Wake Forest University School of Medicine; Xiaolei Huang, Universität Memphis; Minsu Kim, Hallym University; Kumar Srivastava, Kirsten Ness und Melissa Hudson, St. Jude; und Justin Baker, ehemals St. Jude, heute Stanford University Medical School.

Die Studie wurde durch Zuschüsse des National Cancer Institute (U01CA195547, R21CA202210, R01CA238368 und R01CA258193), des Cancer Center Support (CORE) Zuschusses (CA21765) und der American Libanese Syrian Associated Charities (ALSAC), der Fundraising- und Sensibilisierungsorganisation von St. Jude, unterstützt.

Quellen: