Im Projekt „LLM4Anamnese“ wurde für die Verarbeitung der Anamnesetexte bewusst ein hybrider Architekturansatz gewählt. Das System verzichtet darauf, den gesamten Text von einem einzelnen großen Sprachmodell verarbeiten zu lassen, und setzt stattdessen auf eine modulare Pipeline aus mehreren spezialisierten Komponenten. Der Ansatz verbindet moderne ML-Verfahren mit klassischen NLP-Verfahren und einer kuratierten medizinischen Wissensdatenbank. Auf diese Weise werden die Stärken der einzelnen Methoden gezielt kombiniert.
Der Ausgangspunkt für diese Entscheidung liegt in den Anforderungen der klinischen Praxis. Die Anamnese wird überwiegend als unstrukturierter Freitext erfasst, der in Umfang und Stil stark variiert. Ziel der Architektur ist es, die im Text enthaltenen medizinischen Begriffe zu erkennen und mit standardisierten medizinischen Terminologien zu verknüpfen.

Die Processing-Pipeline

Die Verarbeitung erfolgt in zwei aufeinander aufbauenden Hauptschritten. Zunächst identifiziert eine Tagger-Komponente die relevanten Textstellen. Sie erkennt und klassifiziert medizinische Entitäten im Anamnesetext, also zum Beispiel Diagnosen, Symptome oder Medikamente. Für diese Aufgabe kommt eine Kombination spezialisierter Modelle zum Einsatz. Ein GLiNER-Modell übernimmt die Erkennung und Klassifizierung der Begriffe. Ergänzend wird Spacy gezielt dafür genutzt, Verneinungen zu erkennen, also Textstellen, an denen ein Symptom oder eine Erkrankung ausdrücklich nicht vorliegt. Im zweiten Schritt verknüpft eine Linker-Komponente die erkannten Begriffe mit den passenden Konzepten aus der medizinischen Wissensdatenbank. Durch eine hybride Suche wird zu einem erkannten Begriff eine engere Auswahl möglicher Konzepte zusammengestellt. Anschließend sortiert ein Re-Ranking-Schritt diese Auswahl neu und bezieht dabei den umgebenden Kontext ein, sodass das inhaltlich korrekte Konzept möglichst an oberster Stelle steht.
Ein Beispiel verdeutlicht den Nutzen des zweiten Schritts. Erkennt der Tagger den Begriff „Krebs“, liefert die Suche sowohl Konzepte zu Tumorerkrankungen als auch ein Konzept zu Krebstieren. Erst der Kontext des Anamnesetextes macht deutlich, welche Bedeutung gemeint ist, sodass das Re-Ranking die unpassende Deutung aussortieren kann.

Der Ensemble-Linker als Kern des hybriden Ansatzes

Der eigentliche hybride Charakter der Architektur zeigt sich bei der Verknüpfung der erkannten Begriffe mit den medizinischen Konzepten. Diese Verknüpfung stützt sich auf eine spezialisierte Vektordatenbank, die zwei komplementäre Suchverfahren kombiniert und deren Ergebnisse automatisch zu einer gemeinsamen Trefferliste zusammenführt. Dieses Vorgehen wird als hybride Suche bezeichnet.
Das erste Verfahren ist eine semantische Suche auf Basis von Embeddings. Dabei werden sowohl die Begriffe aus dem Text als auch die medizinischen Fachbegriffe in numerische Vektorrepräsentationen überführt und über Ähnlichkeitsmaße verglichen. Auf diese Weise werden auch inhaltlich passende Konzepte gefunden, die anders formuliert sind.
Das zweite Verfahren ist eine textbasierte Suche basierend auf dem BM25-Verfahren. Es bewertet Treffer danach, wie stark die verwendeten Begriffe übereinstimmen, und berücksichtigt dabei, wie häufig und wie aussagekräftig einzelne Begriffe sind. So werden die konkrete Schreibweise und die tatsächlich verwendeten Fachbegriffe zuverlässig erfasst.
Beide Verfahren ergänzen sich. Die semantische Suche erfasst die Bedeutung, die textbasierte Suche die konkrete Benennung. In der Kombination findet das System das korrekte Konzept in mehr Fällen als mit einem einzelnen Verfahren.

Die medizinische Wissensbasis

Grundlage für die Verknüpfung ist eine strukturierte medizinische Wissensdatenbank auf Basis des Unified Medical Language System (UMLS). Sie enthält medizinische Konzepte aus verschiedenen Terminologien, die über eindeutige Kennungen zusammengeführt werden. SNOMED CT bildet die umfassende Grundlage. Da diese Terminologie nur auf Englisch vorliegt, werden weitere Kataloge als Synonyme ergänzt. Für den Einsatz in deutschen Krankenhäusern ist besonders der ICD-10-Katalog relevant, der unter anderem zur Codierung von Diagnosen für die Abrechnung dient. Zusätzliche deutschsprachige Kataloge, etwa MDRGER, MSHGER oder DMDICD10, ergänzen die Konzepte um deutsche Bezeichnungen.

Vorteile der gewählten Architektur

Der hybride Aufbau bietet mehrere praktische Vorteile:

1. Die Architektur ist modular: Jede Komponente lässt sich einzeln bewerten und austauschen, wodurch sich Stärken und Schwächen gezielt erkennen lassen.
2. Die Ergebnisse sind nachvollziehbar, da sie an anerkannte medizinische Kataloge angebunden werden und nicht auf frei generiertem Text beruhen.
3. Die Datengrundlage wurde gezielt erweitert. Durch die Übersetzung von Datensätzen aus anderen Sprachen steht zusätzliches Trainingsmaterial zur Verfügung, was die Erkennung und Verknüpfung der Begriffe verbessert.
4. Durch die Kombination komplementärer Verfahren erhöht sich die Zuverlässigkeit der Zuordnung.

Damit bildet die gewählte Architektur eine tragfähige Grundlage für ein System, das die Anamnesedokumentation strukturiert unterstützt und sich sinnvoll in bestehende klinische Arbeitsabläufe einfügt.

Auf Basis der Ergebnisse der Anforderungsanalyse wurde im Projekt „LLM4Anamnese“ ein erster klickbarer Prototyp entwickelt, um ausgewählte Funktionen eines KI-gestützten Systems zur Unterstützung der Anamnesedokumentation anschaulich darzustellen und frühzeitig mit Nutzenden zu erproben. Da die identifizierten Anforderungen den ursprünglichen Projektumfang überstiegen, wurden zunächst nur zentrale Funktionen in den Prototyp aufgenommen.

Die Entwicklung erfolgte iterativ mit dem Projektteam. Zunächst wurden die Anforderungen in Form eines einfachen Mock-ups mit Figma visualisiert und anschließend schrittweise weiter ausgearbeitet. Auf diese Weise entstand ein klickbarer Prototyp, mit dem typische Aufgaben im Dokumentationsprozess exemplarisch nachvollzogen werden können. Zu den umgesetzten Kernfunktionen gehören Textassistenz, Textanalyse, Termbearbeitung, eine Wiederherstellungsfunktion sowie eine Code-Ansicht.

Ein zentrales Gestaltungskonzept des Prototyps war die Unterstützung während des Schreibens. So wurde beispielhaft vorgesehen, dass das System bereits während der Texteingabe Hinweise gibt und nach einer aktiven Analyse eine vertiefte Auswertung des gesamten Textes ermöglicht, etwa zum Erkennen fehlender oder widersprüchlicher Informationen. Ziel war es, unterschiedliche Formen der KI-Unterstützung sichtbar und diskutierbar zu machen.

Da es sich um einen klickbaren Prototyp ohne technisch implementierte KI-Funktionen handelt, können die tatsächliche Leistungsfähigkeit und der praktische Nutzen des Systems bisher nur eingeschränkt beurteilt werden. Dennoch bildet der Prototyp eine wichtige Grundlage, um erste Rückmeldungen zur Usability, zu den Funktionen und zur möglichen Integration in den klinischen Arbeitsalltag zu erhalten. Perspektivisch soll darauf aufbauend ein funktionsfähiger Prototyp entwickelt werden, mit dem die KI-Unterstützung realistisch getestet werden kann.