Eine Studie untersuchte den Einsatz von ChatGPT zur Identifikation potenzieller Arzneimittelwechselwirkungen mit Tacrolimus.¹ Zwei Versionen des Large Language Models (LLM), ChatGPT-3.5 und ChatGPT-4, wurden mit etablierten Wechselwirkungsdatenbanken verglichen und lieferten gute, wenn auch verbesserungswürdige Ergebnisse, wobei ChatGPT-4 gegenüber ChatGPT-3.5 insgesamt überlegen war.¹ Eine andere Studie nutzte maschinelles Lernen (ML) zur Beurteilung der Steatose bei Lebertransplantaten und lieferte vergleichbare Ergebnisse wie die Einschätzungen erfahrener Chirurg*innen.² Beide Studien verdeutlichen das große Potenzial von LLM und ML, weisen aber auch auf aktuelle Limitationen hin. 

KI kann dabei helfen, große Datensätze besser zu nutzen und deren Auswertungen zu optimieren – z. B. kann KI zur Verbesserung der Datengrundlage für prädiktive Aussagen eingesetzt werden. Eine Studie nutzte ein Natural Language Processing (NLP)-Modell zur Vorverarbeitung von Freitexteingaben in großen Datensätzen von Lebertransplantat (LTx)-Empfänger*innen, um die Datensatzqualität zur Prädiktion des Überlebens nach LTx zu erhöhen.³ 

Zudem wurde der Einsatz von KI zur Vorhersage der frühen Tx-Dysfunktion (EAD) nach normothermer Maschinenperfusion der Leber untersucht. Das Modell konnte trotz eines nur kleinen Stichprobenumfangs valide Prädiktoren für die Vorhersage der EAD und Leberfunktion identifizieren.⁴ Eine weitere Studie analysierte Einflussfaktoren auf Nieren-Tx-Ergebnisse, besonders den Transplantatverlust, bei Hochrisiko-Empfänger*innen mit hohem Body Mass Index mithilfe von KI. Das genutzte Modell zeigte eine verbesserte Vorhersage eines Transplantatverlustes über einen längeren Zeitraum und eignet sich somit als unterstützendes Tool bei Langzeitprognosen. Es liefert damit wertvolle Informationen für eine fundierte Entscheidungsfindung in dieser Hochrisikopopulation.⁵

In einer internationalen randomisierten klinischen Studie wurde das Predigraft/iBox-System hinsichtlich automatisierter Risikoeinschätzung und prognostischer Vorhersagen mit der Standardversorgung (SOC) nach Nieren-Tx verglichen.⁶ Primärer Endpunkt war die Anzahl an Biopsien, die zu einer Anpassung der Therapie führten. Erste Ergebnisse 15 Monate nach Randomisierung zeigten, dass diese in der Predigraft-Gruppe signifikant höher war als in der SOC-Gruppe (p = 0,00016). Das KI-gestützte System ist also in der Lage, nach Transplantatinstabilitäten inklusive Abstoßungsreaktionen zu suchen und Vorhersagen zu treffen. Damit kann es Ärzt*innen bei Beurteilungen und Therapieänderungen unterstützen.⁶

1. Garcia Valencia OA et al. Assessing Drug Interactions with Tacrolimus among Organ Transplant Recipients by Chat GPT. ATC 2024; 01.06.–05.06.2024; PHILADELPHIA, PA, USA; Poster-Abstract B300. 
2. Kourounis G et al. Liver Organ Quality Assessment: Real-Time Visual Evaluation of Steatosis at Retrieval with Machine Learning. ATC 2024; 01.06.–05.06.2024; PHILADELPHIA, PA, USA; Poster-Abstract B227. 
3. Khetan A et al. Estimated Time-to-Event Survival for Liver Transplant Recipients: A Comparison of Machine Learning Applications to Improve SRTR Data Quality and Prediction Accuracy. ATC 2024; 01.06.–05.06.2024; PHILADELPHIA, PA, USA; Rapid Fire Abstract 1154. 
4. Van Leeuwen LL et al. Using Machine Learning to Predict Early Allograft Dysfunction of Livers after Normothermic Machine Perfusion. ATC 2024; 01.06.–05.06.2024; PHILADELPHIA, PA, USA; Rapid Fire Abstract 1153. 
5. Azhar A et al. Predictive Insights for Kidney Transplants in High BMI Recipients: An SRTR-Based Machine Learning Study. ATC 2024; 01.06.–05.06.2024; PHILADELPHIA, PA, USA; Poster-Abstract D221. 
6. Loupy A et al. Clinical Impact of the Predigraft/iBox System as a Decision Support for Kidney Transplant Management: Mid-Term Results of an International RCT. ATC 2024; 01.06.–05.06.2024; PHILADELPHIA, PA, USA; Rapid Fire Abstract 848.

Erfahren Sie hier mehr zu Envarsus^®.

 

Pflichttext