Neues LLM-Tool COPE prognostiziert Schlaganfall-Ergebnisse aus klinischen Notizen

Ein neues Forschungsprojekt aus dem Open-Source-Bereich hat ein leistungsfähiges Tool namens COPE (Chain‑of‑Thought Outcome Prediction Engine) vorgestellt, das die 90‑Tage‑Ergebnisse von Patienten mit akutem ischämischem Schlaganfall (AIS) aus unstrukturierten klinischen Notizen vorhersagen kann. Die Studie umfasste 464 AIS‑Patienten, deren Entlassungsberichte und 90‑Tage‑Scores des modifizierten Rankin‑Skal (mRS) analysiert wurden.

COPE nutzt ein zweistufiges Chain‑of‑Thought‑Framework, das auf offenen LLaMA‑3‑8B‑Modellen basiert. Im ersten Schritt generiert das Modell eine klinische Begründung, im zweiten Schritt wird daraus ein mRS‑Wert abgeleitet. Diese Vorgehensweise ermöglicht eine nachvollziehbare Entscheidungsfindung, die bei herkömmlichen Modellen oft fehlt.

Im Vergleich zu etablierten Ansätzen wie GPT‑4.1, ClinicalBERT, einem strukturierten Machine‑Learning‑Modell (Clinical ML) und einem einstufigen LLM ohne CoT zeigte COPE herausragende Ergebnisse. Das Modell erreichte einen mittleren absoluten Fehler (MAE) von 1,01, eine Genauigkeit innerhalb von +/-1 mRS‑Punkt von 74,4 % und eine exakte Genauigkeit von 32,8 %. Diese Leistungen liegen auf dem Niveau von GPT‑4.1 und übertreffen deutlich die anderen getesteten Modelle.

Subgruppenanalysen bestätigten die Konsistenz von COPE über Geschlecht und Alter hinweg. Leicht höhere Fehler wurden bei älteren Patienten, bei denen eine Thrombektomie durchgeführt wurde, sowie bei längeren Notizen beobachtet. Trotz dieser Unterschiede bleibt COPE ein leichtgewichtiges und interpretierbares Tool, das die klinische Entscheidungsfindung unterstützen kann.

Die Ergebnisse zeigen, dass COPE ein vielversprechender Ansatz ist, um aus unstrukturierten klinischen Texten verlässliche Schlaganfall‑Prognosen zu generieren und damit die Versorgung von AIS‑Patienten zu verbessern.