{"id":31671,"date":"2025-05-07T08:44:20","date_gmt":"2025-05-07T06:44:20","guid":{"rendered":"https:\/\/neuronup.com\/de\/?p=31671"},"modified":"2025-05-07T08:44:22","modified_gmt":"2025-05-07T06:44:22","slug":"koennen-chatgpt-aehnliche-sprachmodelle-bei-der-diagnose-von-autismus-helfen","status":"publish","type":"post","link":"https:\/\/neuronup.com\/de\/neuronup-nachrichten\/koennen-chatgpt-aehnliche-sprachmodelle-bei-der-diagnose-von-autismus-helfen\/","title":{"rendered":"K\u00f6nnen ChatGPT-\u00e4hnliche Sprachmodelle bei der Diagnose von Autismus helfen?"},"content":{"rendered":"\n

In diesem Artikel stellt die Doktorandin Marta Arbizu G\u00f3mez die Studie \u00abGro\u00dfe Sprachmodelle dekonstruieren die klinische Intuition zur Diagnose von Autismus\u00bb<\/em> vor, in der die Auswirkungen der Verwendung gro\u00dfskaliger Sprachmodelle zur Diagnose von Autismus<\/strong> untersucht werden.<\/p>\n\n\n\n

Einleitung<\/h2>\n\n\n\n

Die Diagnose von Autismus-Spektrum-St\u00f6rungen (ASS) war traditionell eine komplexe Aufgabe, die stark von klinischer Erfahrung, sorgf\u00e4ltiger Beobachtung und der Interpretation vielf\u00e4ltiger Verhaltensweisen abh\u00e4ngt. Obwohl es klar definierte Diagnoseleitlinien wie das DSM-5 gibt, wird die klinische Praxis oft durch eine \u201eIntuition\u201c geleitet<\/strong>, die Fachkr\u00e4fte \u00fcber Jahre hinweg entwickeln. Aber was w\u00e4re, wenn wir diese Intuition \u201elesen\u201c und aus einer objektiveren Perspektive verstehen k\u00f6nnten?<\/p>\n\n\n\n

Eine k\u00fcrzlich in der Zeitschrift Cell<\/em> ver\u00f6ffentlichte Studie mit dem Titel „Large language models deconstruct the clinical intuition behind diagnosing autism“<\/em> untersucht genau diese M\u00f6glichkeit: den Einsatz gro\u00dfskaliger Sprachmodelle<\/strong> (LLMs, f\u00fcr \u201eLarge Language Models\u201c) zur Entschl\u00fcsselung der Muster, denen Kliniker bei der Diagnose von Autismus folgen<\/strong>. Die Ergebnisse sind nicht nur \u00fcberraschend, sondern k\u00f6nnten auch tiefgreifende Auswirkungen darauf haben, wie wir heute ASS-Diagnosen verstehen und stellen.<\/p>\n\n\n\n

Der Kontext: Warum sollte die Art und Weise, wie wir Autismus diagnostizieren, \u00fcberdacht werden?<\/h2>\n\n\n\n

ASS ist eine neurologische Entwicklungsst\u00f6rung, die durch Herausforderungen in der sozialen Kommunikation sowie durch eingeschr\u00e4nkte und repetitive Verhaltensmuster und Interessen<\/strong> gekennzeichnet ist. Diese Merkmale k\u00f6nnen sich jedoch von Person zu Person sehr unterschiedlich \u00e4u\u00dfern, was die Diagnose zu einem nuancierten und mitunter subjektiven Prozess macht.<\/p>\n\n\n\n

Auch wenn standardisierte Diagnoseinstrumente wie ADOS oder ADI-R dem Prozess Struktur verleihen, basieren viele Diagnosen auf narrativen Berichten, die von Kliniker:innen verfasst wurden, die den Patienten beobachtet haben. Das hei\u00dft: Die Art und Weise, wie ein:e Kliniker:in den Patienten beschreibt, kann erheblichen Einfluss auf die endg\u00fcltige Diagnose haben.<\/p>\n\n\n\n

Angesichts dieser Realit\u00e4t stellten sich die Forscher:innen eine entscheidende Frage: Welche Elemente in diesen schriftlichen Berichten beeinflussen tats\u00e4chlich die diagnostischen Entscheidungen?<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Melden Sie sich
f\u00fcr unseren
Newsletter<\/strong>\u00a0an<\/h2>\n\n\n\n
\n
Jetzt anmelden<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Was haben die Forschenden getan?<\/h2>\n\n\n\n

Die Autor:innen der Studie sammelten \u00fcber 40.000 klinische Berichte von Kindern<\/strong> aus dem \u00f6ffentlichen Gesundheitssystem von Massachusetts. Diese Berichte, verfasst von Fachleuten der psychischen Gesundheit, enthielten detaillierte Beschreibungen des Verhaltens und der Funktionsweise der Patient:innen.<\/p>\n\n\n\n

Auf Basis dieser Datenbank trainierten die Forschenden mehrere Sprachmodelle<\/strong>, darunter GPT-4 (entwickelt von OpenAI) sowie ein quelloffenes klinisches Modell namens Clinician-LLaMA. Die Idee war, dass die Modelle lernen sollten, vorherzusagen, ob ein klinischer Bericht zu einer Person mit ASS-Diagnose geh\u00f6rt oder nicht<\/strong>, allein anhand des Textes.<\/p>\n\n\n\n

Die Ergebnisse waren \u00fcberraschend: Die Modelle erreichten eine bemerkenswerte Genauigkeit bei der Klassifikation<\/strong>, selbst wenn ihnen entscheidende Informationen wie Geschlecht oder Alter der Patient:innen vorenthalten wurden. Dies deutet darauf hin, dass die Berichte implizite Sprachmuster enthielten, die von den Modellen erkannt wurden und die die Entscheidungsfindung von Kliniker:innen widerspiegeln.<\/p>\n\n\n\n

Was wurde herausgefunden?<\/h2>\n\n\n\n

\u00dcber die Genauigkeit der Vorhersagen hinaus war besonders interessant, was die Modelle \u00fcber den Diagnoseprozess selbst offenbarten. Bei der Analyse, welche Textstellen f\u00fcr die Entscheidungen der Modelle am wichtigsten waren, identifizierten die Forschenden bestimmte Verhaltensbeschreibungen als besonders ausschlaggebend<\/strong>.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"Hauptfaktoren
Grafik 1. Wichtigste Einflussfaktoren bei der ASS-Diagnose laut Sprachmodellen. Eigene Darstellung.<\/figcaption><\/figure>\n<\/div>\n\n\n
<\/div>\n\n\n\n

Wie in der Grafik zu sehen ist, waren repetitive, stereotype Verhaltensweisen, eingeschr\u00e4nkte Interessen und sensorisch-perzeptive Merkmale<\/strong> die Faktoren, die am h\u00e4ufigsten mit einer positiven ASS-Diagnose assoziiert wurden. Im Gegensatz dazu hatten soziale Interaktionsprobleme, die laut DSM-5 traditionell als zentrales Merkmal gelten, in den Modellen ein geringeres Gewicht.<\/p>\n\n\n\n

Das bedeutet nicht, dass soziale Schwierigkeiten irrelevant sind, sondern dass Kliniker:innen in der Praxis \u2014 m\u00f6glicherweise unbewusst \u2014 anderen Verhaltensmustern mehr Aufmerksamkeit schenken, wenn sie entscheiden, ob ein Patient die diagnostischen Kriterien erf\u00fcllt.<\/p>\n\n\n\n

Nachfolgend sind die zentralen Studienergebnisse<\/strong> in einer Tabelle zusammengefasst, um das Verst\u00e4ndnis zu erleichtern:<\/p>\n\n\n\n

<\/div>\n\n\n\n
Untersuchter Aspekt<\/strong><\/td>Ergebnis \/ Beobachtung<\/strong><\/td><\/tr>
Verwendetes Modell<\/strong><\/td>GPT-4 und Clinician-LLaMA (Sprachmodelle trainiert mit klinischen Berichten).<\/td><\/tr>
Datenquelle<\/strong><\/td>\u00dcber 40.000 p\u00e4diatrische klinische Berichte aus dem \u00f6ffentlichen Gesundheitssystem von Massachusetts.<\/td><\/tr>
Aufgabe des Modells<\/strong><\/td>Vorhersage, ob ein Patient basierend auf dem Berichtstext eine ASS-Diagnose hat.<\/td><\/tr>
Genauigkeit des Modells<\/strong><\/td>Hoch, selbst wenn Variablen wie Geschlecht oder Alter ausgeblendet wurden.<\/td><\/tr>
Wichtigste Diagnosefaktoren<\/strong><\/td>Repetitive Verhaltensweisen, eingeschr\u00e4nkte Interessen und sensorische\/perzeptive Merkmale.<\/td><\/tr>
Weniger relevante Faktoren<\/strong><\/td>Schwierigkeiten in der sozialen Interaktion.<\/td><\/tr>
Zentrale Erkenntnis<\/strong><\/td>In der klinischen Praxis haben beobachtbare Verhaltensweisen mehr Einfluss als bisher angenommen.<\/td><\/tr>
M\u00f6gliche Auswirkungen auf Diagnoserichtlinien<\/strong><\/td>Es k\u00f6nnte notwendig sein, das Gewicht bestimmter Kriterien im DSM-5 neu zu bewerten.<\/td><\/tr>
Anwendung von KI in der psychischen Gesundheit<\/strong><\/td>Als Hilfsmittel zur Diagnose und Analyse klinischen Denkens.<\/td><\/tr><\/tbody><\/table>
Tabelle 1. Zusammenfassung der wichtigsten Studienergebnisse. Eigene Darstellung.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Wie zu erkennen ist, konnten die Sprachmodelle nicht nur die Diagnose von ASS mit hoher Genauigkeit vorhersagen, sondern zeigten auch, dass bestimmte Verhaltensmuster \u2014 insbesondere repetitive Verhaltensweisen und eingeschr\u00e4nkte Interessen \u2014 in der klinischen Praxis einflussreicher sind, als es die traditionellen Diagnosekriterien vermuten lassen. Dies \u00f6ffnet die T\u00fcr f\u00fcr eine Reflexion<\/strong> dar\u00fcber, wie diese Kriterien in der Realit\u00e4t angewendet werden.<\/p>\n\n\n\n

Implikationen: M\u00fcssen wir die Diagnosekriterien f\u00fcr Autismus \u00fcberdenken?<\/h2>\n\n\n\n

Diese Ergebnisse werfen eine wichtige Frage auf: Spiegeln die aktuellen Diagnosekriterien wirklich wider, wie Fachleute Patient:innen einsch\u00e4tzen?<\/strong> <\/p>\n\n\n\n

Wenn Kliniker:innen systematisch beobachtbaren Verhaltensweisen wie Stereotypien oder eingeschr\u00e4nkten Interessen mehr Bedeutung beimessen, k\u00f6nnte es notwendig sein, die Gewichtung der einzelnen diagnostischen Kategorien in den offiziellen Leitlinien neu zu bewerten.<\/p>\n\n\n\n

Dar\u00fcber hinaus k\u00f6nnte dieser Ansatz Auswirkungen auf die Ausbildung neuer Fachkr\u00e4fte haben<\/strong>, die davon profitieren w\u00fcrden zu verstehen, wie die Kriterien in der Praxis \u2014 jenseits der Theorie \u2014 tats\u00e4chlich angewendet werden.<\/p>\n\n\n\n

Kann k\u00fcnstliche Intelligenz bei der klinischen Diagnose von ASS helfen?<\/h2>\n\n\n\n

Eines der gro\u00dfen Versprechen der k\u00fcnstlichen Intelligenz im Gesundheitswesen ist ihre F\u00e4higkeit, komplexe Muster in gro\u00dfen Datenmengen zu erkennen. In diesem Fall dienen Sprachmodelle nicht nur als Klassifikationswerkzeuge, sondern auch als Instrumente, um das Unsichtbare sichtbar zu machen<\/strong>: die implizite Logik hinter klinischen Entscheidungen.<\/p>\n\n\n\n

Weit davon entfernt, Fachkr\u00e4fte zu ersetzen, k\u00f6nnen diese Modelle als hilfreiche Partner fungieren<\/strong>, indem sie eine Zweitmeinung auf der Grundlage tausender vorheriger F\u00e4lle liefern und helfen, Verzerrungen oder Inkonsistenzen in Diagnoseprozessen aufzudecken.<\/p>\n\n\n\n

Wie k\u00f6nnte NeuronUP zu solchen Studien beitragen?<\/h2>\n\n\n\n

NeuronUP k\u00f6nnte bedeutend zu solchen Studien beitragen, indem es die Replikation in vielf\u00e4ltigeren und nicht englischsprachigen Bev\u00f6lkerungen erleichtert<\/strong>, dank seiner internationalen Pr\u00e4senz. Die Plattform mit Hunderten von kognitiven Aktivit\u00e4ten w\u00fcrde es erm\u00f6glichen, die Analyse klinischer Berichte mit strukturierten Daten zur kognitiven Leistungsf\u00e4higkeit zu erg\u00e4nzen. Dieser Ansatz k\u00f6nnte auch auf andere klinische Zust\u00e4nde wie ADHS oder leichte kognitive Beeintr\u00e4chtigung angewendet werden, um die Fr\u00fcherkennung und Diagnosesicherheit zu verbessern.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Testen Sie NeuronUP 7 Tage kostenlos<\/h2>\n\n\n\n

Probieren Sie unsere verschiedenen \u00dcbungen, erstellen Sie Sitzungen oder arbeiten Sie remote mithilfe von Online-Sitzungen<\/p>\n<\/div>\n\n\n\n

\n
\n
Kostenlos testen<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n

Fazit der Studie<\/h2>\n\n\n\n

Diese Studie stellt einen Meilenstein an der Schnittstelle von k\u00fcnstlicher Intelligenz und psychischer Gesundheit dar. Durch den Einsatz von Sprachmodellen zur Analyse klinischer Berichte haben die Forschenden nicht nur gezeigt, dass die Diagnose von Autismus mit bemerkenswerter Genauigkeit vorhergesagt werden kann, sondern auch aufgedeckt, wie sich die \u201eklinische Intuition\u201c zusammensetzt, die diese Entscheidungen leitet.<\/p>\n\n\n\n

In naher Zukunft k\u00f6nnten solche Werkzeuge in Gesundheitssysteme integriert werden, um die Diagnose zu unterst\u00fctzen, die Ausbildung von Fachkr\u00e4ften zu verbessern und m\u00f6glicherweise sogar die Kriterien neu zu definieren, mit denen wir Autismus verstehen. Eines ist klar: K\u00fcnstliche Intelligenz ver\u00e4ndert nicht nur die Technologie, sondern auch unser Verst\u00e4ndnis vom menschlichen Geist.<\/p>\n\n\n\n

Literaturverzeichnis<\/h2>\n\n\n\n