Das Therapeutic Drug Monitoring (TDM) hat als Eckpfeiler der Präzisionsmedizin ein erhebliches Potenzial zur Verbesserung der individuellen Therapieeinstellung von Patient:innen. Die Erstellung hochwertiger TDM-Berichte ist eine arbeits- und zeitintensive Aufgabe, die spezialisiertes Fachwissen und viel Liebe zum Detail erfordert. Die Arbeitsbelastung wird durch den Mangel an (kommerziellen) Softwarelösungen und die fehlende Integration von notwendigen Tools – wie Datenbanken für pharmakokinetische Daten oder Arzneimittelwechselwirkungen – noch weiter erhöht. Die jüngsten Fortschritte im Bereich der großen Sprachmodelle (LLM) haben neue Möglichkeiten zur Automatisierung und Standardisierung der TDM-Befunderstellung geschaffen. Da LLM vielversprechende Fähigkeiten bei der Generierung kohärenter, kontextbezogener Texte gezeigt haben, sind sie auch attraktive Werkzeuge für klinische Dokumentationsaufgaben. Durch die Nutzung dieser Modelle könnten der manuelle Arbeitsaufwand reduziert, Personalengpässe verringert und die Konsistenz von TDM-Berichten über verschiedene Einrichtungen hinweg erhöht werden.
Versuchsaufbau
Die genaue Methodik des Proof-of-Concept kann in der Originalpublikation „Using large language models for therapeutic drug monitoring reporting – a proof-of-concept“ [1] nachgelesen werden. Zum Zeitpunkt der Konzeption des Proof-of-Concept – also einer Machbarkeitsprüfung unter definierten Bedingungen – im Frühjahr 2025 fokussierten wir uns auf die damals aktuellen Modelle GPT4o (OpenAI, Trainingsdaten bis 01.10.2023) und Gemini 2.0 Flash (Google, Trainingsdaten bis ca. Juni 2024). In einem etablierten Benchmark zur Bewertung der fachlichen Leistungsfähigkeit großer Sprachmodelle (MMLU-Pro) lagen beide Modelle auf vergleichbarem Niveau. Um den Modellen aktuelle und relevante Informationen zum TDM zur Verfügung zu stellen, wurde eine RAG-Datenbank (Retrieval-Augmented Generation) aufgesetzt, die Fachinformationen auftretender Medikamente[1], mögliche Interaktionen (PSIAC-Datenbank), relevante pharmakogenetische Informationen der involvierten CYP-P450-Enzyme sowie die aktuell gültigen Guidelines (2018 AGNP Guideline [2], DEGAM S1 Guideline [3] etc.) enthielt. Insgesamt wurden zehn Patientenfälle verschiedener Komplexität basierend auf echten Patientenfällen konstruiert, die in Tab. 1 dargestellt sind.
[1] Carbamazepin, Levetiracetam, Lamotrigin, Escitalopram, Paroxetin, Lithium, Quetiapin, Olanzapin, Risperidon, Venlafaxin, Trimipramin und Mirtazapin sowie Komedikationen mit Pantoprazol, Levothyroxin, Dimenhydrinat, Lorazepam, Bisoprolol, ASS, Ramipril, Diclofenac, Sertralin, Metamizol und Aripiprazol
