Syn-STARTS: KI-generierte Triage‑Szenarien für skalierbare LLM‑Tests

In Notfall‑Situationen mit vielen Verletzten ist die schnelle Priorisierung der Patienten – die Triage – entscheidend, um möglichst viele Leben zu retten. Künstliche Intelligenz wird zunehmend als Werkzeug betrachtet, um in solchen Szenarien optimale Entscheidungen unter Zeit- und Ressourcenknappheit zu treffen. Doch die Entwicklung und Bewertung solcher Systeme erfordert umfangreiche, qualitativ hochwertige Datensätze, die in der realen Welt schwer zu beschaffen sind, weil Massenverletzungsereignisse selten auftreten.

Um diesem Problem zu begegnen, hat ein Forschungsteam das Syn‑STARTS‑Framework entwickelt. Dabei nutzt es große Sprachmodelle (LLMs), um synthetische Triage‑Fälle zu generieren. Die erzeugten Szenarien wurden anschließend mit einem manuellen, von Experten kuratierten Datensatz verglichen. Die Ergebnisse zeigen, dass die KI‑generierten Fälle qualitativ nicht von den realen Daten zu unterscheiden sind.

Weiterhin wurden die LLM‑Leistungen anhand von Hunderten von Fällen in den vier klassischen START‑Kategorien – grün, gelb, rot und schwarz – getestet. Die Genauigkeit blieb dabei hoch und stabil, was stark darauf hindeutet, dass synthetische Daten ein zuverlässiges Mittel sind, um leistungsfähige KI‑Modelle für akute medizinische Notfälle zu entwickeln.