LLM-gestützte Analyse entdeckt drei Long-COVID-Phänotypen

Eine neue Studie, veröffentlicht auf arXiv (2603.18115v1), zeigt, wie große Sprachmodelle (LLMs) in der medizinischen Forschung eingesetzt werden können, um komplexe Krankheitsprofile zu entschlüsseln. Das Team hat einen innovativen Ansatz namens „Grace Cycle“ entwickelt, der LLMs nutzt, um Hypothesen zu generieren, Beweise aus Langzeitdaten zu extrahieren und die relevanten Merkmale schrittweise zu verfeinern.

Der „Grace Cycle“ arbeitet iterativ: Zunächst werden mögliche Subgruppen aus den Daten vorgeschlagen, anschließend werden relevante klinische Informationen aus den Texten extrahiert und die Merkmale werden anhand statistischer Kriterien optimiert. Durch diesen Prozess entsteht ein robustes, datengetriebenes Modell, das klinisch sinnvolle Phänotypen identifiziert.

In einer Analyse von 13.511 Long‑Covid‑Patienten wurden drei klare Subtypen erkannt – Protected, Responder und Refractory. Diese Gruppen unterscheiden sich deutlich in der Höhe der Symptombegrenzung, dem Ausgangsaufwand der Erkrankung und den langfristigen Dosis‑Antwort‑Mustern. Die statistische Signifikanz der Trennung wurde in mehreren unabhängigen Dimensionen bestätigt.

Die Arbeit demonstriert, dass LLMs nicht nur Texte verstehen, sondern auch in einem streng methodischen, statistisch fundierten Rahmen eingesetzt werden können, um aus komplexen Langzeitdaten klinisch interpretierbare Subtypen zu extrahieren. Da das Verfahren nicht auf Long‑Covid beschränkt ist, bietet es ein generelles Werkzeug für die Entdeckung von Phänotypen in anderen chronischen Erkrankungen.