Kleine Sprachmodelle extrahieren klinische Daten aus persischen Transkripten

In einer neuen Studie wurden fünf Open‑Source‑Small‑Language‑Models (SLMs) – Qwen2.5‑7B‑Instruct, Llama‑3.1‑8B‑Instruct, Llama‑3.2‑3B‑Instruct, Qwen2.5‑1.5B‑Instruct und Gemma‑3‑1B‑it – eingesetzt, um 13 klinische Merkmale aus 1.221 anonymisierten persischen Transkripten eines Palliativ‑Call‑Centers zu extrahieren. Dabei kam ein zweistufiger Ansatz zum Einsatz: zunächst übersetzte das Modell Aya‑expanse‑8B die persischen Texte in Englisch, anschließend wurden die SLMs mit Few‑Shot‑Prompting ohne Feinabstimmung betrieben.

Die Ergebnisse zeigten, dass das größere Modell Qwen2.5‑7B‑Instruct die höchste Gesamtleistung erzielte (Median‑macro‑F1 = 0.899, MCC = 0.797). Gemma‑3‑1B‑it belegte die unterste Position. Größere Modelle (7 B–8 B Parameter) übertrafen kleinere Modelle konsequent in Sensitivität und MCC, während die Übersetzung in Englisch die Sensitivität steigerte, fehlende Ausgaben verringerte und die Kennzahlen gegenüber Klassenungleichgewicht robuster machte – allerdings mit leicht geringerer Spezifität und Präzision.

Auf Feature‑Ebene konnten die meisten Modelle zuverlässig physiologische Symptome extrahieren. Psychologische Beschwerden, administrative Anfragen und komplexe somatische Merkmale blieben hingegen schwieriger zu erfassen. Die Studie demonstriert damit, dass kleine Sprachmodelle in Kombination mit einer Übersetzungsschicht eine praktikable, datenschutzfreundliche Lösung für die klinische Informationsgewinnung in ressourcenarmen Sprachen darstellen.