RAGMed: Ein auf RAG basierender medizinischer KI-Assistent zur Verbesserung der Gesundheitsversorgung

Elektronische Gesundheitsakten (EHRs) haben den Zugang zu medizinischen Informationen verbessert, aber auch Herausforderungen für Gesundheitsdienstleister geschaffen, wie eine erhöhte Dokumentationslast und reduzierte persönliche Interaktion mit Patienten. Zur Minderung dieser Probleme schlagen wir RAGMed vor, einen auf Retrieval-Augmented Generation (RAG) basierenden KI-Assistenten, der automatisierte und klinisch fundierte Antworten auf häufig gestellte Patientenfragen liefert. Dieses System kombiniert eine Vektordatenbank für semantische Abrufe mit den generativen Fähigkeiten eines großen Sprachmodells, um genaue und verlässliche Antworten bereitzustellen, ohne direkte Einbindung von Ärzten zu erfordern. Neben der Unterstützung für Patienten erleichtert der Assistent die Terminplanung und unterstützt Kliniker durch Zusammenfassungen klinischer Notizen, wodurch Arbeitsabläufe im Gesundheitswesen optimiert werden. Zur Bewertung des Einflusses der Retrieval-Qualität auf die Gesamtleistung des Systems vergleichen wir zwei Embedding-Modelle, gte-large und all-MiniLM-L6-v2, anhand realer medizinischer Anfragen. Die Modelle werden im RAG-Triad Framework hinsichtlich Kontextrelevanz, Antwortrelevanz und faktischer Fundierung beurteilt. Die Ergebnisse zeigen, dass gte-large aufgrund seiner höherdimensionalen Embeddings informativere Kontexte abruft, was zu genaueren und vertrauenswürdigeren Antworten führt. Diese Erkenntnisse unterstreichen nicht nur das Potenzial der Einbindung von RAG-basierten Systemen zur Entlastung der Ärzte und Steigerung der Effizienz und Zugänglichkeit der Gesundheitsversorgung, sondern auch die Bedeutung der Dimensionalität der zur Embedding-Generierung verwendeten Modelle, da diese die Relevanz, Genauigkeit und kontextuelle Verständlichkeit der abgerufenen Informationen direkt beeinflusst. Dieser Prototyp ist für die abrufgestützte Beantwortung medizinischer FAQs und allgemeiner Informationsanfragen gedacht und nicht für diagnostische Zwecke oder Behandlungsempfehlungen ohne professionelle Validierung ausgelegt.