RAG-Chatbot

Ärztinnen und Ärzte stehen täglich vor der enormen Herausforderung, komplexe Patientenfälle auf Basis täglich wachsendem medizinischen Wissens zu bewerten. Die Behandlung wird durch medizinische Leitlinien und klinische Verfahrensanweisungen (SOPs) festgelegt, die umfangreich sind und regelmäßiger Überarbeitung unterliegen. Die schnelle und präzise Identifikation entscheidender Informationen unter Berücksichtigung individueller Patientendaten ist oft fehleranfällig und zeitaufwendig.

Im Rahmen des Projekts TEDIAS AHEAD (https://www.tedias-ahead.de/) entwickelt ein interdisziplinäres Team von Forschern einen medizinischen Chatbot, der genau hier ansetzt. Die Lösung basiert auf der Retrieval-Augmented Generation (RAG), einer fortschrittlichen KI-Technologie. Ein RAG-System kombiniert die Stärken großer Sprachmodelle (LLMs) mit dem gezielten Zugriff auf eine kuratierte Wissensbank.

Das System reichert trainiertes Allgemeinwissen mit kontextspezifischen Informationen aus verlässlichen und aktuellen Fachquellen an. Dazu gehören beispielsweise kuratierte medizinische Wissensquellen, wie S3-Leitlinien, wissenschaftliche Fachliteratur und klinikinterne Verfahrensanweisungen (SOPs). Diese Informationen werden mit individuellen Patientendaten aus der elektronischen Patientenakte verknüpft, welche Diagnosen, Medikationen, Allergien oder Laborwerte enthält. Die Patientendaten werden über die standardisierte FHIR-Schnittstelle (Fast Healthcare Interoperability Resources, https://fhir.org/) übermittelt.

Durch den Einsatz von fortschrittlichem Context Engineering und Prompt Design der gefundenen Informationen ist der Chatbot in der Lage, die komplexen Zusammenhänge eines Falls herzustellen und präzise, fallspezifische Antworten zu generieren, die stets mit Quellenangaben belegt sind. Beispielsweise fragt die Diabetologin: »Welche Therapie empfiehlt die Leitlinie für meinen Patienten mit HbA1c = 8,2 % und eGFR = 50 ml/min?« Der Chatbot antwortet, dass laut aktueller Leitlinie eine Metformin-Therapie indiziert ist, weil der HbA1c über 7 % liegt und keine schwere Niereninsuffizienz vorliegt; zugleich verweist er auf die entsprechende Leitlinienstelle und dokumentiert den Entscheidungsweg.

Der Ansatz des RAG-Systems im Projekt TEDIAS AHEAD zeichnet sich durch zwei zentrale Alleinstellungsmerkmale aus, die speziell auf die hohen Anforderungen des Gesundheitswesens zugeschnitten sind:

• FHIR-Integration: Patientendaten werden konsistent und durchgängig über standardisierte FHIR-Schnittstellen verknüpft. Dieser Ansatz garantiert die strukturierte Datenverarbeitung und Kompatibilität mit modernen klinischen Systemen (KIS, ePA).
• Leitlinientreue: Das RAG-System automatisiert die Suche und Aufbereitung personalisierter und fallspezifischer Informationen in Leitlinien und medizinischen Handlungsempfehlungen. Ergebnisse basieren auf aktuellen medizinischem Fachwissen, so dass jede Antwort transparent und nachvollziehbar wird.
• Security-by-Design: Der Schutz sensibler Patientendaten hat oberste Priorität. Das RAG-System ist für den isolierten Betrieb in der klinikeigenen IT-Infrastruktur konzipiert. Zu keinem Zeitpunkt verlassen Patientendaten den geschützten Bereich der Klinik, wodurch die volle Datenhoheit sowie Konformität mit der DSGVO und anderen medizinischen Datenschutzvorschriften gewährleistet wird.

Aktuell konzentrieren wir uns auf die Fertigstellung eines voll funktionsfähigen Demonstrators. Dieser umfasst eine intuitive Benutzeroberfläche und die zugrundeliegende Datenpipeline mit FHIR-Integration, um das Potenzial des Systems greifbar zu machen und dessen Möglichkeiten aufzuzeigen.

Für den nächsten Schritt – die Erprobung und Weiterentwicklung unter realen Bedingungen – suchen wir den aktiven Dialog.

• Industriepartner, um die Integration in bestehende Systemlandschaften voranzutreiben.
• Klinische Partner, um den Demonstrator in der Praxis zu validieren und weitere Anwendungsfälle zu identifizieren.