KRAL: KI-gestützte Antimicrobial‑Therapie mit verbessertem Wissen und Denken

Die klinische Antimicrobial‑Therapie erfordert die dynamische Integration von Pathogenprofilen, Hostfaktoren, pharmakologischen Eigenschaften von Antimicrobika und Schweregrad der Infektion. Diese Komplexität stellt große Herausforderungen für den Einsatz von Large Language Models (LLMs) in hochriskanten klinischen Entscheidungen dar – Wissenslücken, Datenschutzbedenken, hohe Einsatzkosten und begrenzte Denkfähigkeiten sind nur einige der Hindernisse.

Um diese Probleme zu überwinden, stellt das neue Konzept KRAL (Knowledge and Reasoning Augmented Learning) ein kostengünstiges, skalierbares und datenschutzfreundliches Paradigma vor. KRAL nutzt die Denkprozesse eines Lehrmodells, um Wissen und Denkpfade automatisch durch umgekehrte Generierung von Antworten zu Fragen zu extrahieren. Durch heuristisches Lernen wird die Datenaugmentation semi‑überwacht, wodurch der Bedarf an manueller Annotation um etwa 80 % reduziert wird. Zusätzlich kommt agentisches Reinforcement Learning zum Einsatz, um medizinisches Wissen und Denkfähigkeiten gleichzeitig zu verbessern und gleichzeitig Rechen- und Speicherressourcen zu optimieren.

Ein hierarchisches Evaluationsschema, das verschiedene Lehrmodell‑Proxys einsetzt, senkt die Bewertungskosten, während ein modularer Interface‑Design nahtlose Systemupdates ermöglicht. Experimentelle Ergebnisse zeigen, dass KRAL traditionelle Retrieval‑Augmented Generation (RAG) und Supervised Fine‑Tuning (SFT) deutlich übertrifft. Die Genauigkeit bei Wissensfragen (Accuracy@1) auf dem externen Open‑Source‑Benchmark MEDQA stieg um 1,8 % gegenüber SFT und um 3,6 % gegenüber RAG. Auch die Denkfähigkeit (Pass@1) auf dem Benchmark PUMCH Antimicrobial verbesserte sich, wobei der genaue prozentuale Anstieg nicht veröffentlicht wurde.