Retrospektive Formulierung und Validierung einer Tumorboardempfehlung für Pankreaskarzinomprimärfälle durch ein Open-Source-KI-Modell

Einleitung: Künstliche Intelligenz (KI) hat nicht nur in unser alltägliches Leben Einzug gehalten, sondern ist auch in allen Wissenschaftsdisziplinen auf dem Vormarsch. Die möglichen Implikationen in der Medizin sind mannigfaltig. Eine bis dato zwar teilweise beforschte aber kaum klinisch implementierte potentielle Fähigkeit von KI ist die Formulierung einer Therapieempfehlung. Sogenannte Large Language Models bieten sich dafür grundlegend an.

Ziele: Im Rahmen dieser Arbeit sollen retrospektiv Tumorboardempfehlungen für Pankreaskarzinomprimärfälle, die im Jahr 2023 im viszeralonkologischen Zentrum des Universitätsklinikums Regensburg behandelt wurden, erstellt und validiert werden.

Methodik: Ein standardisierter Textbaustein mit anonymisierten Patientendaten, wie zur Tumorboardanmeldung üblich, wird dem Open-Source-KI-Modell Llama3-Med42-8B zur Verfügung gestellt. Bei dieser Form von KI-Modellen ist der Quellcode frei zugänglich und die Entscheidungsrationale kann reproduziert werden. Es basiert auf Metas LLaMA-3-Architektur, verfügt über acht Milliarden Parameter und wurde durch M42 Health mit kuratierten, frei-zugänglichen medizinischen Datensätze trainiert. Aktuell ist es nicht für den klinischen Einsatz zugelassen. In einer ersten Auswertung wird das KI-Modell aufgefordert, eine Freitextantwort als Therapieempfehlung zu formulieren. In der zweiten Auswertung soll es aus vorgegebenen leitliniengerechten Therapieoptionen eine Empfehlung auswählen. Abschließend werden die KI-generierten Empfehlungen mit den vorhandenen Tumorboardempfehlungen des viszeralonkologischen Zentrums abgeglichen und die Übereinstimmungsquote ausgewertet.

Ergebnis: Im Jahr 2023 wurden 46 Pankreaskarzinomprimärfälle am Universitätsklinikum Regensburg behandelt. Zum Zeitpunkt der Abstracteinreichung ist erst eine Teilmenge der Fälle durch das Modell bearbeitet worden. Hierbei zeigt sich bereits eine relevante Übereinstimmungsquote mit den tatsächlichen Empfehlungen und teilweise ein ergänzender leitlinienbasierter Zusatz.

Schlussfolgerung: Bei insuffizienter Datenlage für die praktische Nutzung von KI zur Formulierung von Therapieempfehlungen, trägt diese Arbeit dazu bei, das Defizit im onkologischen Kontext zu verringern. Trotz vielversprechender Ergebnisse muss eine klinische Implementierung prospektiv untersucht und ethisch kritisch diskutiert werden.

Publikationsverlauf

Artikel online veröffentlicht:
04. September 2025