Een large language model (LLM) herkent eerste en recidiverende veneuze trombo-embolie (VTE) in elektronische patiëntendossiers nauwkeuriger dan arts-assistenten en coassistenten. Dat blijkt uit een validatieonderzoek van een nieuwe toepassing voor natural language processing (NLP).
Onderzoek naar trombose is afhankelijk van een nauwkeurige identificatie van VTE in ongestructureerde patiëntendossiers. Handmatige dossieranalyse geldt nog altijd als de gouden standaard, maar is tijdrovend en lastig op grote schaal toe te passen. Eerdere NLP-modellen konden alleen een eerste VTE herkennen.
Amerikaanse onderzoekers ontwikkelden daarom een NLP-toepassing op basis van Claude Sonnet 4.5, die opeenvolgende ongestructureerde patiëntendossiers automatisch analyseert om zowel eerste als recidiverende VTE’s te herkennen. Het model werd met behulp van prompt engineering geoptimaliseerd en vervolgens gevalideerd in een onafhankelijke groep van 400 patiënten. De prestaties werden vergeleken met die van geblindeerde arts-assistenten en coassistenten. Eventuele verschillen werden beoordeeld door een hematoloog, die de definitieve referentiestandaard vaststelde.
Voor het herkennen van VTE’s behaalde het LLM een hogere precisie dan arts-assistenten en coassistenten (97% versus 86%) en ook een hogere sensitiviteit (94% versus 89%). Bij het identificeren van recidiverende VTE’s was het verschil nog groter: de precisie bedroeg 90% voor het LLM tegenover 75% voor arts-assistenten en coassistenten, terwijl de sensitiviteit uitkwam op 90% versus 82%.
Volgens de onderzoekers kan een zorgvuldig geoptimaliseerd LLM de identificatie van VTE’s in longitudinale patiëntendossiers verbeteren. Daarmee kan de technologie tromboseonderzoek efficiënter maken en de werklast bij dossieronderzoek verminderen.
Bron:
Pham D, Jafari O, Ranjan M, et al. Large language model (LLM)-based natural language processing (NLP) improves identification of overall and recurrent venous thromboembolism in medical records. ISTH Congress 2026, abstract OC 04.3.