Skip to main content
Log in

Anwendung von „large language models“ in der Klinik

Ersetzt ChatGPT die Arztbrieferstellung? Ein Erfahrungsbericht

Clinical application of large language models

Does ChatGPT replace medical report formulation? An experience report

  • Schwerpunkt: Künstliche Intelligenz in der Inneren Medizin
  • Published:
Die Innere Medizin Aims and scope Submit manuscript

Zusammenfassung

Auf künstlicher Intelligenz (KI) basierte Sprachmodelle wie ChatGPT bieten ein enormes Potenzial für Forschung und medizinische Versorgung, aber auch für die Optimierung klinischer Abläufe, indem sie die medizinische Dokumentation durch Übernahme von standardisierten Routineaufgaben erleichtern und effizienter gestalten. Durch ihre Fähigkeit, Textinhalte mittels Wortstatistik zu erahnen und so kontextbezogen Ergebnisse in Chat-Dialogen auszugeben, können „large language models“ (LLM) für verschiedene Zielgruppen geeignete Zusammenfassungen der ärztlichen Dokumentation liefern. So könnte eine Textgenerierung in leicht verständlicher Sprache möglicherweise zu einer Erhöhung der Gesundheitskompetenz von Patient:innen und damit auch zu einer gesteigerten Therapieadhärenz beitragen. Nachfolgend soll die Funktion von KI-basierten Chatbot-Modellen erläutert werden, um Nutzungserfahrungen zu verbessern und die Kompetenz im Umgang mit KI-basierten Sprachmodellen zu erhöhen. Gegenwärtige Chancen und Grenzen in der Erstellung von Epikrisen werden anhand eines Erfahrungsberichts erläutert. Zukünftig kann die Implementierung lokaler LLM in medizinischen Verwaltungssystemen (Krankenhausinformationssystemen [KIS] und Praxisverwaltungssystemen [PVS]) sowie in Verbindung mit der elektronischen Patientenakte (ePA) die klinische und ambulante Versorgung grundlegend verändern.

Abstract

Artificial intelligence (AI)-based language models, such as ChatGPT offer an enormous potential for research and medical care but also for clinical workflow optimization by making medical documentation easier and more efficient in taking over standardized routine tasks. With their ability to guess a text’s content using word statistics and thus outputting contextually relevant results in chat dialogues, large language models (LLM) can provide appropriate summaries of medical documentation for different target groups. For instance, text generation in easy to understand language could potentially contribute to an increase in patients’ health literacy and, consequently, to increased adherence to treatment. Subsequent, the function of AI-based chatbot models to improve user experiences and enhance competence in the use of AI-based language models will be adressed. Current limitations and chances in creating epicrises are presented as an experience report. In the future, the implementation of local LLMs in medical management systems (hospital information systems, HIS and practice administration systems, PAS) and in conjunction with the electronic patient records (ePA) can fundamentally change clinical and outpatient care.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Abb. 1
Abb. 2
Abb. 3
Abb. 4

Literatur

  1. https://medium.com/@atmabodha/pre-training-fine-tuning-and-in-context-learning-in-large-language-models-llms-dd483707b122. Zugegriffen: 16. Juni 2023

  2. https://platform.openai.com/docs/models/gpt-4. Zugegriffen: 2. Mai 2023

  3. https://carbonhealth.com/blog-post/introducing-hands-free-charting-ai-enabled-note-taking-for-more-personal-visits. Zugegriffen: 18. Juni 2023

  4. Antweiler D et al (2023) Natural Language Processing in der Medizin. Von der automatisierten Befundanalyse bis zum Arztbriefgenerator: Künstliche Intelligenz für dokumentenbasierte Prozesse im Krankenhaus

    Google Scholar 

  5. https://netzpolitik.org/2023/chatgpt-womit-sich-strafverfolger-bald-befassen-muessen/. Zugegriffen: 14. Apr. 2023

  6. https://openai.com/blog/new-ways-to-manage-your-data-in-chatgpt. Zugegriffen: 16. Juni 2023

  7. Sadasivan SV, Kumar A, Balasubramanian S, Wang W, Feizi S (2023) Can AI-generated text be reliably detected? arxiv pre-print server

    Google Scholar 

  8. Ayers JW, Poliak A, Dredze M, Leas EC, Zhu Z, Kelley JB et al (2023) Comparing physician and artificial intelligence chatbot responses to patient questions posted to a public social media forum. JAMA Intern Med 183(6):589–596

    Article  PubMed  Google Scholar 

  9. https://www.bfdi.bund.de/SharedDocs/Pressemitteilungen/DE/2022/05_Konsultation-Bericht.html. Zugegriffen: 28. Juni 2023

Download references

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to Sebastian Spethmann.

Ethics declarations

Interessenkonflikt

J. Zernikow, L. Grassow, J. Gröschel, P. Henrion, P.J. Wetzel und S. Spethmann geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Additional information

Redaktion

Edouard Battegay, Basel

Martin C. Hirsch, Marburg

Claus Vogelmeier, Marburg

figure qr

QR-Code scannen & Beitrag online lesen

Glossar

Attention-Mechanismus

Teil eines neuronalen Netzwerkmodells, der verwendet wird, um Relevanz oder Bedeutung von verschiedenen Teilen der Eingabe in Bezug auf einen bestimmten Ausgabekontext zu berechnen; ermöglicht dem Modell, sich auf relevante Informationen zu konzentrieren und diese gewichteter in den Berechnungen zu berücksichtigen

Chatbot

Softwareanwendung, die menschenähnliche Konversation mit Text- oder Sprachinteraktionen führt

ChatGPT

Ein spezifisches Anwendungsmodell der Firma OpenAI, das auf der Generative-pre-trained-transformer(GPT)-Architektur basiert und für die Durchführung von Konversationen und Dialogen entwickelt wurde

„Generative pre-trained transformer“ (GPT)

Architektur für neuronale Netzwerke, die auf der Transformer-Architektur basiert und Mechanismen nutzt, die Beziehungen zwischen Wörtern erfassen und so durch vorab trainierte Modelle ermöglichen, natürliche Sprache zu verstehen und zu generieren

Künstliche Intelligenz (KI)

Bezieht sich auf die Entwicklung von Computersystemen, die in der Lage sind, menschenähnliche Intelligenz und kognitive Fähigkeiten nachzuahmen, um Probleme zu lösen, Muster zu erkennen und Entscheidungen zu treffen

„Large language model“

Leistungsstarkes maschinelles Lernmodell, das darauf trainiert wurde, natürliche Sprache zu verstehen oder zu generieren

Neuronales Netzwerk/Deep Learning

Modell der künstlichen Intelligenz, das von biologischen neuronalen Netzwerken inspiriert ist; besteht aus miteinander verbundenen künstlichen Neuronen, die Informationen verarbeiten und übertragen, um komplexe Aufgaben zu erfüllen

OpenAI

Unternehmen für künstliche Intelligenz, das sich auf die Entwicklung und Bereitstellung fortschrittlicher KI-Modelle und -Technologien spezialisiert hat

„Prompting“

Prozess des Gebens von Anweisungen oder Beispielen an ein maschinelles Lernmodell, um die gewünschte Ausgabe zu beeinflussen/zu steuern

„Token“

Die kleinste Einheit von Sprache, in der Text in diskrete Teile oder Symbole aufgeteilt wird; repräsentiert in der natürlichen Sprachverarbeitung ein Wort oder eine Gruppe von Buchstaben, die zusammen eine Bedeutungseinheit bilden

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Zernikow, J., Grassow, L., Gröschel, J. et al. Anwendung von „large language models“ in der Klinik. Innere Medizin 64, 1058–1064 (2023). https://doi.org/10.1007/s00108-023-01600-3

Download citation

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00108-023-01600-3

Schlüsselwörter

Keywords

Navigation