Deutscher Rheumatologiekongress 2026
Large Language Model generierte patient:innenfreundliche rheumatologische Arztbriefe – eine Interimsanalyse der GPTHEALTH-Studie
Text
Einleitung: Die Erstdiagnose einer entzündlich-rheumatologischen Systemerkrankung (RMD) ist für Betroffene belastend und erfordert verständliche Informationen zu Erkrankung, Therapie und Selbstmanagement [1]. Die Gesundheitskompetenz beeinflusst dabei maßgeblich die Anwendung dieser Informationen und ist eng mit relevanten Krankheitsoutcomes bei RMDs assoziiert [2], [3]. Da Entlassungsbriefe primär der ärztlichen Kommunikation dienen und häufig sprachlich komplex sind, bleibt ihr Nutzen für Patient:innen oft begrenzt [4]. Große Sprachmodelle (LLMs) könnten hier unterstützen, indem sie medizinische Informationen in patient:innenverständlicher Sprache aufbereiten [5].
Methoden: In der Interimsanalyse der monozentrischen, prospektiven Generating patient-tailored health explanations and letters with ChatGPT (GPTHEALTH)-Studie wurden 30 stationäre Patient:innen (>18 Jahre) mit Erstdiagnose einer RMD eingeschlossen. Der pseudonymisierte Entlassungsbrief wurde über UHHGPT (datenschutzkonforme Schnittstelle zu ChatGPT-4.0) mittels standardisiertem Prompt in eine patient:innenverständliche Version überführt und ärztlich geprüft. Die Datenerhebung erfolgte bei Entlassung (T0) und nach etwa drei Monaten (T1). Ärzt:innen bewerteten Machbarkeit, Zeitaufwand, Qualität und Verständlichkeit, Patient:innen Verständlichkeit, Nutzen und beantworteten die deutsche Version der Health-Literacy (eHEALS). Die Lesbarkeit und Verständlichkeit von Original- und LLM-generierten Briefen wurden mit Flesch–Kincaid Reading Ease, PEMAT-Scores und Wiender Sachtextformel analysiert. Die Studie wurde von der lokalen Ethikkommission in Hamburg genehmigt (2025-101483-BO-ff).
Ergebnisse: In die Interimsanalyse wurden 30 Patient:innen eingeschlossen (16 Männer, 53 %; 14 Frauen, 47 %; medianes Alter 67 Jahre, IQR 54–78). Die häufigsten Diagnosen waren Riesenzellarteriitis, ANCA-assoziierte Vaskulitis und Kollagenosen (je 7/30, 23%). Ein Hochschulabschluss lag bei 7/30 (23%) vor. Die Gesundheitskompetenz war bei 10/30 (33%) hoch (Tabelle 1 [Tab. 1]). Insgesamt zeigte sich eine gute Akzeptanz der LLM-generierten Berichte (Abbildung 1a [Abb. 1]). Zukünftig wünschten sich 26/30 (87%) standardmäßig einen LLM-generieten Bericht. Der FK Reading Ease Score war für die patient:innenfreundlichen Entlassungsbriefe signifikant höher (41,0 vs. 31,9; p < 0,001, Abbildung 1b [Abb. 1]), ebenso der PEMAT-Score (69,0 [2,5] vs. 54,4 [2,0]; p < 0,001, Abbildung 1c [Abb. 1]). Die LLM-generierte-Version war im Vergleich zum Original signifikant leichter verständlich und sank auf der Wiener Sachtextformel von 12,89 auf 11,10 Punkte (p < 0,001, Abbildung 1d [Abb. 1]). LLM-generierte Berichte erforderten nur geringe Modifikationen (Abbildung 1e [Abb. 1]).
Tabelle 1: Merkmale der Studienteilnehmer:innen (N = 30), darunter soziodemografische Variablen, Krankheit, Bildungsniveau und eHealth-Kompetenz.
Abbildung 1: Bewertung von Original- und LLM-generierten Entlassungsbriefen aus Sicht von Patient:innen und Ärzt:innen. a) Einstellung der Patient:innen zu UHHGPT-generierten Berichte, b) FK Reading Ease Score: höhere Werte zeigen eine bessere Lesbarkeit an, c) PEMAT Score: höhere Werte zeigen eine bessere Verständlichkeit des zur Verfügung gestellten Materials an, d) Wiener Sachtext Formel (Skala von 4-15), höhere Werte entsprechen höheren erforderlichem Bildungsabschluss, e) notwendiger Anpassungsbedarf der UHHGPT-generierten Berichte.
Schlussfolgerung: Die Erstellung patient:innenverständlicher, LLM-generierter Entlassungsbriefe bei rheumatologischen Erkrankungen erscheint machbar, wurde von Patient:innen sehr gut akzeptiert und verbesserte Lesbarkeit sowie Verständlichkeit im Vergleich zu Standardbriefen.
Offenlegungserklärung: Phillip Kremer: keine, Jana Klemm: keine, Pia Wallmeier: keine, Tingting Xiong: keine, Ina Kötter: GSK, Eusapharm, Boehringer, Abbvie, Janssen, Lilly, Medac, Novartis, Sobi Vortrags- und Konsultationshonorar, Simon Melderis: keine, Isabell Haase: Abbvie, AstraZeneca, AlphaSigma, GSK, Janssen, Medac, Lilly, Novartis, Sobi, UCB Vortrags- und Konsultationshonorar, Martin Krusche: Novartis, Sobi, Abbvie, Roche/Chugai, UCB Vortrags- und Konsultationshonorar
Literatur
[1] Becker C, Diener M, Hueber AJ, et al. Unmet Information Needs of Patients with Rheumatic Diseases: Results of a Cross-Sectional Online Survey Study in Germany. Int J Environ Res Public Health. 2022;19:7071. DOI: 10.3390/ijerph19127071[2] Berkman ND, Sheridan SL, Donahue KE, et al. Low Health Literacy and Health Outcomes: An Updated Systematic Review. Ann Intern Med. 2011;155:97–107. DOI: 10.7326/0003-4819-155-2-201107190-00005
[3] Dey M, Budhathoki S, Elwell H, et al. Association of health literacy with disease outcomes in inflammatory arthritis: a systematic review. Ann Rheum Dis. 2025;85(1):195-209. DOI: 10.1016/j.ard.2025.08.018
[4] Choudhry AJ, Baghdadi YMK, Wagie AE, et al. Readability of discharge summaries: with what level of information are we dismissing our patients? Am J Surg. 2016;211:631–6. DOI: 10.1016/j.amjsurg.2015.12.005
[5] Aydin S, Karabacak M, Vlachos V, et al. Large language models in patient education: a scoping review of applications in medicine. Front Med. 2024;11:1477898. DOI: 10.3389/fmed.2024.1477898
