93–96 % Treffsicherheit: Wie ein Hybrid-KI-System Koloskopie-Nachsorgeintervalle automatisiert festlegt
Eine NHS-Studie zeigt, wie die Kombination aus Sprachmodell und regelbasierter Logik Nachsorgeintervalle nach Polypektomie zuverlässig und nachvollziehbar berechnet.
Mit KI-Unterstützung erstellt · redaktionell geprüft und verantwortet von Steven Breuer.
Nachsorgeintervalle nach Polypektomie gehören zu den Entscheidungen, die in der Theorie klar geregelt sind und in der Praxis trotzdem häufig danebenliegen. Studien zur Leitlinienadhärenz nach den 2020er-Empfehlungen berichten Übereinstimmungsraten zwischen 66,2 % und 86,5 % – und ein großer Teil der Abweichungen führt zu früher als nötig terminierten Kontrollkoloskopien. Die Ursache ist selten mangelndes Wissen, sondern meist ein strukturelles Problem: Endoskopiebefund und Histologiebericht entstehen getrennt, Intervalle werden oft festgelegt, bevor das Pathologieergebnis vorliegt, und niemand aktualisiert den Termin systematisch nach.
Eine aktuell publizierte Studie aus zwei NHS-Trusts zeigt einen Lösungsansatz, der technisch bemerkenswert unaufgeregt ist: Ein großes Sprachmodell übernimmt ausschließlich die Textextraktion, die eigentliche Entscheidung trifft ein deterministisches, leitlinienkodiertes Regelwerk (Quelle).
Das Grundproblem: fragmentierte Information
Endoskopie- und Histologiebefunde beschreiben denselben Patienten aus zwei Perspektiven, die nicht automatisch zusammenpassen. Ein histopathologischer Bericht kann mehrere „Töpfe" (Pots) mit Gewebeproben enthalten, die einzeln den endoskopisch beschriebenen Polypen zugeordnet werden müssen – inklusive der Fälle, in denen ein Polyp nur endoskopisch beschrieben, aber nicht reseziert wurde. Genau diese Zuordnungsarbeit ist mit starren Regex-basierten Systemen kaum robust abzubilden, weil die Formulierungsvielfalt in Freitextbefunden zu groß ist. Frühere Automatisierungsansätze mussten deshalb lange Ausschlusslisten definieren und landeten in vielen Fällen doch wieder bei der manuellen Prüfung.
Vier Prompts, ein Regelwerk
Das Team um die Autor:innen der Studie hat die Aufgabe deshalb zweigeteilt. Ein vierstufiger Prompting-Pipeline-Prozess mit dem offen gewichteten Modell Phi-4 segmentiert zunächst die Histologieberichte Pot für Pot, verknüpft sie mit den endoskopischen Befunden, normalisiert die Daten in ein strukturiertes Schema und extrahiert schließlich die leitlinienrelevanten Attribute (Größe, Lokalisation, Diagnose, Resektionsvollständigkeit, Anzahl der Läsionen). Diese strukturierten Daten durchlaufen anschließend eine deterministische Regel-Engine, die die British-Society-of-Gastroenterology-Kriterien kodiert und am Ende eine von vier Kategorien ausgibt: keine Nachsorge, Site-Check, 3-Jahres- oder 5-Jahres-Intervall – sowie einen gesonderten Alarm bei Karzinomverdacht oder mehr als zehn Polypen.
Diese Trennung ist der eigentliche Kern des Ansatzes: Das Sprachmodell trifft keine klinische Entscheidung, es liefert nur strukturierte Zwischenergebnisse, die überprüfbar sind. Ändert sich eine Leitlinie, muss nur die Regel-Engine angepasst werden – nicht das Modell neu trainiert werden.
Belastbare Zahlen aus zwei Zentren
Auf dem GSTT-Testset (100 Prozeduren, 215 Pots) erreichte die Extraktion einzelner Felder Genauigkeiten von 0,995 (Probentyp), 0,981 (Lokalisation und Diagnose) und 0,949 (Resektionsvollständigkeit). Die Gesamtgenauigkeit der daraus abgeleiteten Nachsorgeempfehlung lag bei 96 % (95 %-KI 0,90–0,98) am Entwicklungsstandort und bei 93 % (95 %-KI 0,86–0,97) an einem zweiten, unabhängigen Trust (SWB) – ein für klinische NLP-Anwendungen vergleichsweise überzeugender Transfer auf neue Dokumentationsgewohnheiten. Besonders relevant für die Patientensicherheit: Die Erkennung von Karzinombefunden oder mehr als zehn Polypen erreichte an beiden Standorten einen F1-Wert von 1,00. Etwas schwächer, aber klinisch plausibel, schnitt die Kategorie „3-Jahres-Nachsorge" ab (F1 0,86 bzw. 0,80) – vermutlich weil hier die meisten Grenzfälle bezüglich Polypenzahl und -größe auftreten. Gegenüber künstlich eingefügten Tippfehlern und Formatierungsvarianten blieb die Pipeline weitgehend stabil, lediglich die Größenextraktion reagierte empfindlicher auf Textstörungen.
Besonders aufschlussreich ist der retrospektive Realweltvergleich: Bei 127 konsekutiven Patient:innen verglich ein Gastroenterologe nach vollständiger Aktenprüfung die tatsächlich erfolgte Terminierung mit der automatisierten Empfehlung. Das System hätte die Leitlinienadhärenz vor allem dadurch verbessert, dass es Untersorgung reduziert – also Fälle identifiziert, in denen Patient:innen tatsächlich früher hätten wiederkommen sollen, als es die reale Terminplanung vorsah.
Was das für deutsche Praxen bedeutet
Das System selbst ist nicht direkt übertragbar: Es kodiert BSG-Leitlinien, nicht die deutsche S3-Leitlinie Kolorektales Karzinom oder die Vorgaben der Koloskopie-Vereinbarung. Für den Einsatz hierzulande müsste die Regel-Engine komplett neu kodiert werden – ein überschaubarer, aber nicht trivialer Aufwand, da auch die deutschen Nachsorgeintervalle differenziert nach Polypenzahl, -größe und Histologie gestaffelt sind.
Interessant ist jedoch das methodische Prinzip für jede Praxis oder Klinik, die über KI-gestützte Nachsorgeplanung nachdenkt: Entscheidend ist nicht, ob ein Sprachmodell "die richtige Antwort" gibt, sondern ob die Architektur eine Trennung zwischen Informationsextraktion und Entscheidungslogik erlaubt. Nur so lässt sich jede Empfehlung im Zweifel bis zur Textstelle im Originalbefund zurückverfolgen – eine Voraussetzung, die auch aus regulatorischer Sicht (Nachvollziehbarkeit, Dokumentationspflicht) kaum verhandelbar ist. Wer in der eigenen Einrichtung über ein vergleichbares Tool nachdenkt, sollte deshalb gezielt nach dieser Architektur fragen, bevor er sich auf Genauigkeitswerte allein verlässt.