Generative AI for clinical documentation
Im Projekt wurde ein LLM-basiertes Konzept zur automatisierten Qualitätsprüfung klinischer Dokumentation entwickelt und untersucht.
Fiche signalétique
- Départements participants Technique et informatique
- Institut(s) Institute for Patient-centered Digital Health (PCDH)
- Unité(s) de recherche PCDH / AI for Health
- Organisation d'encouragement Innosuisse
- Durée 04.02.2025 - 30.06.2026
- Direction du projet Prof. Dr. Kerstin Denecke
- Partenaire Cistec AG
Situation
Der Zeitaufwand für Dokumentationsaufgaben schränkt die Zeit ein, die für klinische Entscheidungen und den Umgang mit Patient*innen zur Verfügung steht. Diese übermässige Konzentration auf die Dokumentation beeinträchtigt häufig die direkte Patientenversorgung, wobei etwa 80 % der Ärzt*innen angeben, dass der für diese Aufgaben erforderliche Zeit- und Arbeitsaufwand ihre Fähigkeit zur Bereitstellung einer qualitativ hochwertigen Versorgung beeinträchtigt. Im Durchschnitt verbringen sie fast zwei Stunden pro Tag ausserhalb der regulären Arbeitszeit mit Dokumentationsaufgaben, wobei diejenigen, die an wertorientierten Vergütungsmodellen teilnehmen, von einer noch höheren Belastung berichten.
Approche
Der Schwerpunkt lag auf der Erkennung von Inkonsistenzen in klinischen Berichten. Hierfür wurde zunächst ein systematisches Klassifikationsschema mit sieben Inkonsistenzklassen erarbeitet. Zur Evaluation wurde ein vomIndustriepartner bereitgestellter Datensatz bereinigt, strukturiert und durch einen agentenbasiertenAnsatz gezielt mit kontrollierten Inkonsistenzen angereichert. Anschliessend wurden verschiedenePrompting- und Detektionsverfahren implementiert, getestet und in eine modulare Softwarearchitektur integriert. Ergänzend wurden Verfahren zur Evidenzprüfung entwickelt, um identifizierte Inkonsistenzen auf konkrete Textstellen zurückführen zu können.
Résultat
Im Rahmen des Projekts konnte die technische Machbarkeit einer LLM-gestützten Inkonsistenzprüfung in klinischer Dokumentation demonstriert werden. Es entstand einprototypisches System zur Erkennung und Lokalisierung von Widersprüchen in medizinischen Texten, das identifizierte Auffälligkeiten mit nachvollziehbaren Evidenzstellen verknüpft. Zu den wesentlichen Ergebnissen zählen die Entwicklung eines wissenschaftlich fundierten Inkonsistenz-Klassifikationsschemas mit sieben Kategorien, eines agentenbasierten Verfahrens zur kontrollierten Erzeugung von Testdaten sowie eines Evidenz-Loops zur Verbesserung der Nachvollziehbarkeit und Reduktion von Halluzinationen.
Perspectives
Die im Projekt entwickelten Konzepte sollen in zukünftigen Arbeiten auf grössere und realitätsnähere Datensätze angewendet und systematisch evaluiert werden. Ein besonderer Fokusliegt auf der Erweiterung des Ansatzes zur Erkennung fehlender oder unvollständiger Informationen in klinischen Berichten, welche im Rahmen des Projekts bereits konzeptionell beschrieben, jedoch aufgrund fehlender Daten nicht umfassend untersucht werden konnte. Zudem soll die Integration der entwickelten Methoden in klinische Dokumentations- und Qualitätssicherungsprozesse weiterverfolgt werden.
