KI-Co-Scientist revolutioniert medizinische Evidenzsynthese – Proof of Concept
In einer wegweisenden Studie wurde ein KI-Co-Scientist vorgestellt, der die Synthese medizinischer Erkenntnisse skalierbar und transparent gestaltet. Durch die systematische Aufbereitung von Studien anhand des PICOS-Frameworks (Population, Intervention, Comparator, Outcome, Study Design) adressiert die Plattform die häufigsten Ursachen für Forschungsverschwendung – redundante Studien, unvollständige Berichte und die begrenzte Skalierbarkeit traditioneller Evidenzsynthese‑Workflows.
Die technische Architektur kombiniert relationale Speicherung, vektorbasierte semantische Suche und einen Neo4j‑Wissensgraphen. Auf Basis von Titeln und Abstracts erkennt ein transformer‑basiertes Multi‑Task‑Modell – feinabgestimmt auf PubMedBERT – mit 95,7 % Genauigkeit die Studiendesigns, während ein Bi‑LSTM‑Modell 87 % Genauigkeit bei der Erkennung von PICOS‑Compliance erzielt. Für die Volltext‑Synthese nutzt die Plattform Retrieval‑Augmented Generation, die sowohl Vektor‑ als auch Graph‑Retrieval integriert.
Bei der Evaluation mit Korpora aus Demenz‑Sport‑Studien und nicht‑übertragbaren Krankheiten zeigte sich, dass Retrieval‑Augmented Generation bei strukturierten Anfragen, der Integration über Studien hinweg und graphbasierten Schlussfolgerungen deutlich besser abschneidet als reine Generierungsmodelle. Für hochrangige Zusammenfassungen bleiben die nicht‑retrieval‑Ansätze jedoch konkurrenzfähig. Zusätzlich identifizierte BERTopic thematische Redundanzen, Evidenzlücken und bislang wenig erforschte Forschungsfelder.
Die Ergebnisse demonstrieren, dass ein PICOS‑bewusster, KI‑gestützter Ansatz die Qualität und Effizienz der medizinischen Evidenzsynthese erheblich steigern kann. Durch die Kombination von automatisierter Klassifikation, semantischer Suche und graphbasierter Analyse bietet die Plattform ein transparentes und skalierbares Werkzeug, das die Grundlage für evidenzbasierte Entscheidungen in der klinischen Forschung und Praxis legen könnte.