Organ-Agents: LLM-gesteuerter Simulator repliziert menschliche Physiologie

Mit den neuesten Fortschritten in großen Sprachmodellen (LLMs) ist es nun möglich, komplexe physiologische Systeme realitätsnah zu simulieren. Das neue Framework Organ-Agents nutzt dafür mehrere LLM-gesteuerte Agenten, die jeweils ein spezifisches Körpersystem – etwa Herz-Kreislauf, Nieren oder Immunsystem – nachbilden. Durch ein zweistufiges Training, zunächst mit überwachten Feinabstimmungen auf systembezogene Zeitreihen und anschließend mit Verstärkungslernen zur Koordination der Agenten, erreicht das System eine bemerkenswerte Genauigkeit.

Die Entwickler haben Daten von 7.134 Sepsis‑Patienten und 7.895 Kontrollen zusammengetragen, um hochauflösende Trajektorien über neun Systeme und 125 Variablen zu erzeugen. In Tests mit 4.509 ausgenommenen Patienten lagen die mittleren quadratischen Fehler (MSE) pro System unter 0,16, und die Simulation blieb robust über verschiedene Schweregrade hinweg, gemessen an SOFA‑Scores. Eine externe Validierung an 22.689 Intensivpatienten aus zwei Krankenhäusern zeigte zwar leichte Abweichungen bei veränderten Verteilungen, jedoch blieb die Simulation stabil.

Organ-Agents kann kritische Mehrsystemereignisse wie Hypotonie, Hyperlaktämie oder Hypoxämie exakt reproduzieren, inklusive korrekter zeitlicher Abfolge. 15 Intensivmedizinische Fachärzte bewerteten die Realitätsnähe mit durchschnittlichen Likert‑Skalenwerten von 3,9 und 3,7. Darüber hinaus ermöglicht das System kontrafaktische Simulationen, etwa alternative Sepsis‑Behandlungsstrategien, und liefert Trajektorien sowie APACHE‑II‑Scores, die mit realen Patienten übereinstimmen.

In praktischen Anwendungen zeigte sich, dass Klassifikatoren, die auf den synthetischen Daten trainiert wurden, bei frühen Warnaufgaben nur minimale Leistungsverluste (AUROC‑Drop <0,04) aufwiesen. Damit beweist Organ-Agents, dass KI‑generierte physiologische Daten nicht nur realistisch, sondern auch für klinische Entscheidungsprozesse wertvoll sind.