Ungeprüfte ÜbersetzungDie Deutsche Übersetzung dieses Eintrags wurde nicht fachlich geprüft und kann vom Original abweichen. Akronym, vollständiger Titel und Zitat bleiben stets in der Originalsprache.Originalpublikation öffnen ↗

Agweyu LLM (primary care, Kenya)

Generative AI-Enabled Clinical Decision Support System in Primary Care: A Pragmatic, Cluster-Randomized Trial

Patient / Population Intervention / Exposition Vergleich Endpunkt

Bei 9.691 Patienten in Primärversorgungseinrichtungen in Kenia, senkte ein LLM-Entscheidungsunterstützungssystem in der Patientenakte das Therapieversagen innerhalb von 14 Tagen verglichen mit der elektronischen Patientenakte allein nicht.

N
9.691Patienten
Design
Pragmatische Cluster-RCT, Clinical Officers randomisiert, 16 Primärversorgungseinrichtungen, Kenia
Endpunkt
Expertenadjudiziertes Komposit aus Therapieversagens-Ereignissen innerhalb von 14 Tagen nach Einschluss
Relevanz
1Praxisdefinierend — die Studie, auf der die Leitlinie ruht.
ErgebnisTherapieversagen 102/4.693 (2,2 %) vs. 94/4.654 (2,0 %) (aOR 0,77; 95 %-KI 0,55–1,08; p=0,13). Keine schwerwiegenden unerwünschten Ereignisse mit Bezug zur Intervention und kein Sicherheitssignal in der unabhängigen Überprüfung.
Agweyu A, et al. Nat Med. 2026;32(8):3032-3039. 10.1038/s41591-026-04503-6
Diskussion & Kritik

Die erste große pragmatische randomisierte Studie zu einem LLM in der realen, ressourcenarmen Primärversorgung — und ein Nullergebnis beim primären Endpunkt auf Patientenebene, mit einem nach den Worten der Autoren „wahrscheinlich bescheidenen“ Nutzen. Beruhigende Sicherheit, aber eine Ereignisrate von 2 % lässt wenig Power, das Follow-up betrug 14 Tage, und die randomisierten Einheiten waren Kliniker und nicht Patienten. Eine Warnung davor, vignettenbasierte LLM-Gewinne (Goh GPT-4 (management reasoning)) auf Patienten-Outcomes zu extrapolieren.