Deep Reflective Reasoning steigert Genauigkeit bei klinischer Datenextraktion

Ein neues Verfahren namens Deep Reflective Reasoning verspricht, die Erfassung strukturierter Informationen aus klinischen Notizen deutlich zu verbessern. Dabei wird ein großes Sprachmodell (LLM) in einem iterativen Prozess eingesetzt, der die erfassten Daten kontinuierlich selbstkritisch prüft und bei Unstimmigkeiten korrigiert. Das Ziel ist, die logischen Abhängigkeiten zwischen verschiedenen Attributen zu berücksichtigen und so klinisch konsistente Ergebnisse zu liefern.

Im Gegensatz zu herkömmlichen LLM‑basierten Pipelines, die oft Schwierigkeiten haben, die Interdependenzen zwischen Variablen zu erfassen, überprüft Deep Reflective Reasoning die Konsistenz der Ausgaben mit dem Originaltext und mit externen Fachkenntnissen. Der Prozess wiederholt sich, bis die Ergebnisse stabil sind, was eine höhere Zuverlässigkeit der extrahierten Daten gewährleistet.

Die Methode wurde in drei unterschiedlichen Onkologie‑Anwendungen getestet. Bei der Synoptik‑Berichterstattung von Darmkrebsfällen stieg die durchschnittliche F1‑Metrik von 0,828 auf 0,911, während die Genauigkeit bei numerischen Variablen von 0,806 auf 0,895 zunahm. Für die Identifikation des CD99‑Immunostaining‑Musters bei Ewing-Sarkomen verbesserte sich die Genauigkeit von 0,870 auf 0,927. In der Tumor‑Staging‑Analyse von Lungenkrebs erreichte die Genauigkeit einen Anstieg von 0,680 auf 0,833, wobei die Unterkategorien pT und pN ebenfalls signifikante Verbesserungen zeigten.

Diese Ergebnisse zeigen, dass Deep Reflective Reasoning die Zuverlässigkeit von LLM‑basierten Datenextraktionen unter komplexen Abhängigkeitsbedingungen systematisch erhöht. Durch die Erzeugung konsistenter, maschinenlesbarer Datensätze unterstützt die Methode die Weiterentwicklung von digitalen Gesundheitslösungen und fördert die Entdeckung neuer Erkenntnisse in der medizinischen Forschung.