Unter Nutzung der jüngsten Kompetenz von Large Language Models in der Sprachgenerierung haben wir eine innovative Methode zur Zusammenfassung klinischer Berichte entwickelt, die speziell auf Berichte von Intensivpatienten am Universitätsspital Zürich (USZ) ausgerichtet ist. Um den Nutzen der Zusammenfassungen zu steigern, haben wir die Berichte mit relevanten Fakten aus SNOMED CT ergänzt und ihre Interoperabilität im Einklang mit den laufenden Harmonisierungsbemühungen von SPHN sichergestellt. Zu diesem Zweck haben wir mehrere Best Practices etabliert und verschiedene LLMs fein abgestimmt. Die qualitativen Ergebnisse aus Experimenten, die an verfügbaren Benchmarks durchgeführt wurden, zeigten den erheblichen Einfluss der vorgeschlagenen Methoden auf die Qualität der Zusammenfassungen. Darüber hinaus haben wir eine Benutzer:innenoberfläche bereitgestellt, die es medizinischen Fachkräften ermöglicht, die generierten Zusammenfassungen für jedes LLM qualitativ zu bewerten.

Aufbauend auf diesem Erfolg haben wir einen grösseren Zuschuss von DIZH (Volumen 600K CHF) erhalten, um diese Idee auf die Entwicklung eines umfassenderen medizinischen Informationsabrufsystems auszuweiten.

Klinikärzt:innen verbringen etwa 40 % ihrer Arbeitszeit mit dem Lesen und Schreiben von Patient:innen-Dokumentationen. Wir werden NLP, SNOMED CT und Large Language Models (LLM) einsetzen, um prägnante, genaue und interoperable Zusammenfassungen der Patient:innen-Akten zu erstellen und so Zeit, Aufwand und Ressourcen zu sparen.