Volgens nieuw onderzoek van Northwestern Medicine AI-modellen beter dan artsen bij het samenvatten van complexe pathologische kankerrapporten. De studie benadrukt het groeiende potentieel van AI om clinici te ondersteunen bij het beheren van steeds gegevensintensievere oncologische werkprocessen.
Door vooruitgang in biomarkeronderzoek en een langere overleving van patiënten neemt het volume en de complexiteit van pathologierapporten sterk toe. Deze documenten bevatten vaak longitudinale gegevens van meerdere instellingen, waardoor clinici gedetailleerde histopathologische, immunohistochemische en genomische informatie snel moeten samenvatten.
Tegen deze achtergrond laat het onderzoek zien hoe AI kan helpen bij het aanpakken van de toenemende administratieve en cognitieve belasting in de oncologie. De technologie is niet bedoeld om clinici te vervangen, maar fungeert als een hulpmiddel bij de besluitvorming dat de informatieverwerking en consistentie verbetert.
Vollediger inzicht met AI
Onderzoekers evalueerden zes open-source grote taalmodellen, ontwikkeld door Meta, Google, Mistral AI en DeepSeek. De modellen analyseerden 94 geanonimiseerde pathologierapporten over longkanker en genereerden gestructureerde samenvattingen.
Deze door AI gegenereerde outputs werden vergeleken met door artsen geschreven samenvattingen en beoordeeld door een panel van oncologen op nauwkeurigheid, volledigheid, beknoptheid en klinisch risico. Bij alle modellen produceerde AI consequent uitgebreidere samenvattingen, met name wat betreft het vastleggen van moleculaire en genetische bevindingen. Dit zijn gegevenspunten die cruciaal zijn voor gepersonaliseerde behandelingsbeslissingen.
DeepSeek en Llama 3.1 het sterkst
Van de geëvalueerde systemen leverden DeepSeek en Meta’s Llama 3.1-model de sterkste resultaten. Opvallend is dat deze modellen lokaal kunnen worden ingezet, waardoor zorgorganisaties meer controle hebben over gegevensprivacy en implementatie.
Het onderzoeksteam ontwikkelt momenteel een prototype-applicatie op basis van Llama 3.1, waarmee clinici pathologierapporten kunnen uploaden en door AI gegenereerde samenvattingen ter beoordeling kunnen ontvangen. Voorafgaand aan klinische implementatie zijn verdere validatiestudies nodig.
De auteurs benadrukken dat AI moet functioneren als een aanvullende laag binnen klinische workflows. Door complexe informatie te structureren en het risico op over het hoofd geziene details te verminderen, kan AI clinici in staat stellen zich meer te richten op patiëntenzorg.
Dit is met name relevant voor patiënten met gevorderde of complexe vormen van kanker, waarvan de diagnostische geschiedenis tientallen pagina's kan beslaan. In dergelijke gevallen kan het over het hoofd zien van één enkele bruikbare genetische marker aanzienlijke gevolgen hebben voor de behandeling.
Betere standaardisatie met AI
De bevindingen benadrukken het potentieel van AI om de standaardisatie en efficiëntie in klinische documentatie te verbeteren. Naarmate de oncologie zich verder ontwikkelt in de richting van precisiegeneeskunde, zullen tools die op betrouwbare wijze complexe datasets kunnen samenvatten waarschijnlijk een steeds belangrijkere rol gaan spelen bij het ondersteunen van hoogwaardige, datagestuurde zorg.
De studie van Northwestern Medicine, getiteld “Toward Automating the Summarization of Cancer Pathology Reports Using Large Language Models to Improve Clinical Usability,” is gepubliceerd in JCO Clinical Cancer Informatics.
Een paar weken geleden toonden onderzoekers van Flinders University aan dat het toevoegen van visuele mogelijkheden aan door AI-tools voor het automatisch genereren van gespreksverslagen en documentatie de nauwkeurigheid van klinische documentatie aanzienlijk kan verbeteren. Terwijl huidige AI-tools voornamelijk op audio vertrouwen, toont de studie aan dat het combineren van audio met visuele input, met behulp van tools zoals Google Gemini en Ray-Ban Meta smart glasses, een completere vastlegging van klinische details mogelijk maakt.
In gesimuleerde medicatiegesprekken behaalde AI met visuele mogelijkheden een nauwkeurigheid van 98 procent, vergeleken met 81 procent voor systemen die alleen op audio werken, met aanzienlijke verbeteringen bij het identificeren van het type medicatie en de dosering. De technologie registreert visuele signalen zoals medicijnverpakkingen en lichaamstaal, waardoor de gegevenskwaliteit wordt verbeterd.
