LLM-MINE: KI-gestützte Extraktion von Demenz-Phänotypen aus klinischen Texten

Ein neues Forschungsprojekt namens LLM-MINE demonstriert, wie große Sprachmodelle (LLMs) dazu eingesetzt werden können, wichtige Alzheimer‑ und Demenz‑Phänotypen aus unstrukturierten klinischen Notizen zu extrahieren. Die präzise Erfassung dieser Informationen ist entscheidend für die frühzeitige Erkennung und das Stadium‑Management der Erkrankung.

Die Autoren nutzten zwei von Experten definierte Phänotyplisten und wendeten LLM‑basierte Techniken an, um die relevanten Merkmale automatisch zu identifizieren. Anschließend wurden die extrahierten Phänotypen statistisch analysiert, um Unterschiede zwischen verschiedenen Patientengruppen zu prüfen, und sie dienten als Grundlage für eine unüberwachte Stadienbestimmung.

Chi‑Quadrat‑Tests bestätigten signifikante Unterschiede zwischen den Kohorten, wobei die Gedächtnis‑Beeinträchtigung als stärkster Unterscheidungsfaktor hervorging. Durch Few‑Shot‑Prompting mit der kombinierten Phänotypliste erreichte das System die beste Cluster‑Performance (ARI = 0.290, NMI = 0.232) und übertraf dabei herkömmliche biomedizinische NER‑ und dictionary‑basierte Ansätze deutlich.

Die Ergebnisse zeigen, dass LLM‑basierte Phänotyp‑Extraktion ein vielversprechendes Werkzeug ist, um aus unstrukturierten klinischen Texten klinisch relevante Alzheimer‑ und Demenz‑Signale zu entdecken und damit die Versorgung von Patienten zu verbessern.