KI-gestütztes System erkennt evidenzbasierte Nudges in der Biomedizin

Ein neues, skalierbares KI-System kann nun gezielt evidenzbasierte Nudges aus der unstrukturierten biomedizinischen Literatur extrahieren. Nudges sind subtile, nicht‑zwingende Interventionen, die Verhalten beeinflussen, ohne die Wahlfreiheit einzuschränken, und zeigen nachweislich positive Effekte auf Gesundheitsverhalten wie Medikamentenadhärenz.

Die Herausforderung bestand darin, aus über 8 Millionen PubMed‑Papers die relevanten Nudges zu filtern. Das System nutzt einen mehrstufigen Ansatz: Zunächst reduziert ein hybrides Filterverfahren – das Keywords, TF‑IDF, Kosinus‑Ähnlichkeit und einen „Nudge‑Term‑Bonus“ kombiniert – das Korpus auf etwa 81 000 Kandidaten.

Im zweiten Schritt wird OpenScholar, ein quantisiertes LLaMA 3.1 8B‑Modell, eingesetzt, um die Artikel in einem Durchgang zu klassifizieren und strukturierte Felder wie Nudge‑Typ und Zielverhalten zu extrahieren. Die Ergebnisse werden anhand eines JSON‑Schemas validiert.

Auf einem beschrifteten Test‑Set mit 197 Artikeln erreichte die beste Konfiguration (Titel, Abstract, Einleitung) einen F1‑Score von 67 % und eine Rückrufrate von 72 %. Für Anwendungen, die höchste Zuverlässigkeit verlangen, bietet eine hochpräzise Variante mit Selbstkonsistenz (7 zufällige Durchläufe) 100 % Präzision bei 12 % Rückruf.

Das Tool wird bereits in Agile Nudge+ integriert, einer Plattform, die KI‑generierte Interventionen mit peer‑reviewter Evidenz verankert. Damit demonstriert die Arbeit, wie interpretierbare, domänenspezifische Retrieval‑Pipelines die Evidenzsynthese und personalisierte Gesundheitsversorgung vorantreiben können.