LLMs prognostizieren funktionelle Ergebnisse nach akutem ischämischem Schlaganfall

In einer bahnbrechenden Studie konnten große Sprachmodelle (LLMs) die funktionellen Ergebnisse von Patienten nach einem akuten ischämischen Schlaganfall anhand von Routineaufnahme‑Notizen vorhersagen. Die Forscher untersuchten sowohl Encoder‑Modelle wie BERT und NYUTron als auch generative Modelle wie Llama‑3.1‑8B und MedGemma‑4B, sowohl in ihrer ursprünglichen Form als auch nach Feinabstimmung.

Die Daten stammten aus dem NYU Langone Get With The Guidelines‑Stroke‑Register (2016‑2025) und umfassten 9.485 Aufnahme‑Notizen für die Vorhersage des Ausgangs bei Entlassung sowie 1.898 Notizen für die Prognose der Ergebnisse 90 Tage später. Durch eine zeitliche Aufteilung wurden die neuesten 12 Monate als Testset reserviert.

Die Leistung wurde anhand der exakten 7‑Klassigen mRS‑Genauigkeit sowie der binären Genauigkeit (mRS 0‑2 vs. 3‑6) gemessen und mit etablierten strukturierten Baselines (NIHSS, Alter) verglichen. Das feinabgestimmte Llama‑Modell erzielte die besten Ergebnisse: 33,9 % exakte mRS‑Genauigkeit und 76,3 % binäre Genauigkeit für die 90‑Tage‑Vorhersage. Bei der Entlassungssituation erreichte das Modell 42,0 % exakte Genauigkeit und 75,0 % binäre Genauigkeit.

Diese Ergebnisse zeigen, dass feinabgestimmte LLMs die funktionellen Outcomes nach Schlaganfall aus reinen Textdaten vorhersagen können und dabei mit traditionellen, strukturierten Modellen konkurrieren. Die Erkenntnisse legen nahe, dass solche Modelle künftig zur Unterstützung klinischer Entscheidungen und zur Ressourcenplanung im Schlaganfallmanagement eingesetzt werden könnten.