TrialsgramBetaRCTs are beautiful
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 ↗

O'Sullivan LLM (cardiology)

A Large Language Model for Complex Cardiology Care

Patient / Population Intervention / Exposition Vergleich Endpunkt

Bei 9 Kardiologen bei der Beurteilung komplexer Fälle mit Verdacht auf genetische Kardiomyopathie, verbesserte die Unterstützung durch ein LLM-basiertes KI-System die von verblindeten Subspezialisten bewertete Qualität von Triage, Diagnose und Management verglichen mit Kardiologen ohne Unterstützung.

N
9Patienten
Design
RCT, Kardiologen randomisiert, retrospektive Real-World-Falldaten, verblindete Bewertung durch Subspezialisten
Endpunkt
Verblindete Präferenz der Subspezialisten über eine Zehn-Domänen-Rubrik zur Qualität von Triage, Diagnose und Management
Relevanz
2Wichtig — eine von mehreren Säulen.
ErgebnisSubspezialisten bevorzugten AMIE-unterstützte Beurteilungen zu 46,7 % vs. 32,7 % für Kardiologen allein (p=0,02; 20,6 % unentschieden). Klinisch bedeutsame Fehler 13,1 % vs. 24,3 % (p=0,033); fehlende Inhalte 17,8 % vs. 37,4 % (p=0,0021).
O'Sullivan JW, et al. Nat Med. 2026;32(2):616-623. 10.1038/s41591-025-04190-9
Diskussion & Kritik

Erweitert das AMIE-Programm von der simulierten Primärversorgung (AMIE) in eine Subspezialität, in der Expertise knapp ist, wobei das LLM rohe diagnostische Daten und nicht nur Text liest. Nur neun Kardiologen, retrospektive Fälle aus einer einzigen subspezialisierten Praxis, präferenzbasierte Rubrikbewertung durch drei Rater und keine Patienten-Outcomes — ein Signal für Augmentation, kein Nachweis eines Nutzens.