Tumorboards sind interdisziplinäre Sitzungen, in denen Fachärztinnen und Fachärzte aus verschiedenen medizinischen Bereichen wie Onkologie, Radiologie, Chirurgie und Pathologie zusammenkommen, um die beste Behandlungsstrategie für Krebspatientinnen und -patienten festzulegen. Diese Entscheidungsprozesse sind oft logistisch aufwendig und kostspielig, tragen jedoch maßgeblich zur Verbesserung der Überlebensrate von Krebspatienten bei.
LLMs wie zum Beispiel ChatGPT oder Gemini sind speziell darauf trainiert, menschliche Sprache zu verstehen, zu verarbeiten und zu generieren. LLMs basieren auf tiefen neuronalen Netzen, die durch das Training mit riesigen Mengen von Textdaten lernen, Muster in der Sprache zu erkennen. Sie sind in der Lage, menschenähnliche Antworten auf Fragen zu geben, Texte zu schreiben, zu übersetzen, Texte zu vervollständigen und viele andere Aufgaben im Zusammenhang mit Sprache zu bewältigen
Die Studie untersuchte, inwieweit verschiedene LLMs Behandlungsempfehlungen für Patientinnen und Patienten mit Kopf-Hals-Tumoren abgeben können, ähnlich den Empfehlungen eines Tumorboards. Um die Leistung der Modelle zu bewerten, wurden die Ergebnisse von medizinischen Expertinnen und Experten überprüft.
Die Ergebnisse zeigten, dass die Übereinstimmung der Empfehlungen mit den Entscheidungen des Tumorboards je nach Modell bis zu 86 % betrug. Einige Modelle konnten medizinisch vertretbare Entscheidungen treffen, die, selbst wenn sie von den Entscheidungen des Tumorboards abwichen, in bis zu 98 % der Fälle plausibel waren.
Die Studie legt nahe, dass die Künstliche Intelligenz zukünftig eine wertvolle Unterstützung bei der medizinischen Entscheidungsfindung bieten könnten. Das theoretische Szenario zeigt, dass dies bereits technisch möglich wäre.
Marc Aubreville, Jonathan Ganz, Jonas Ammeling, Emely Rosbach, Thomas Gehrke, Agmal Scherzad, Stephan Hackenberg, Miguel Goncalves. Prediction of tumor board procedural recommendations using large language models. Eur Arch Otorhinolaryngol. 2024 Sep 13. doi: 10.1007/s00405-024-08947-9. Epub ahead of print. PMID: 39266750.
