26wdhno40 10.3205/26wdhno40 urn:nbn:de:0183-26wdhno401 Meeting Abstract Sadok Sadok Nadia N

Universitätsklinikum Essen, Essen, DeutschlandDepartment of Otorhinolaryngology Head and Neck Surgery, University Hospital Essen, Essen, Deutschland

nadia.sadok@uk-essen.de author Kürten Kürten Cornelius C

Department of Otorhinolaryngology Head and Neck Surgery, University Hospital Essen, Essen, Deutschland

author Arzideh Arzideh Kamyar K

Institute for Artificial Intelligence in Medicine, University Hospital Essen, Essen, Deutschland

author Nensa Nensa Felix F

Institute for Diagnostic and Interventional Radiology and Neuroradiology, University Hospital Essen, Essen, Deutschland

author Lang Lang Stephan S

Department of Otorhinolaryngology Head and Neck Surgery, University Hospital Essen, Essen, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20260223 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0637 40 Vereinigung Westdeutscher HNO-Ärzte Jahrestagung der Vereinigung Westdeutscher Hals-Nasen-Ohren-Ärzte Abstracts Dortmund 20260227 20260228 40 TextEinleitung: Große Sprachmodelle (Large Language Models, LLMs) werden zunehmend als Werkzeuge in der medizinischen Entscheidungsfindung eingesetzt. Diese Studie bewertet die Genauigkeit eines lokal betriebenen LLM (Llama 3.3) bei der Erstellung von Therapieempfehlungen für das Plattenepithelkarzinom im Kopf-Hals-Bereich (HNSCC) im Vergleich zu den Entscheidungen eines multidisziplinären Tumorboards (MDT), unter Einhaltung der europäischen Datenschutzbestimmungen.Methoden: Es handelt sich um eine retrospektive, monozentrische Studie mit 676 Patientinnen und Patienten mit HNSCC, was zu insgesamt 1.352 klinischen Szenarien führte. Llama 3.3 wurde lokal durch systematisches Prompt Engineering auf Basis zusammengefasster deutscher, europäischer und National Comprehensive Cancer Network (NCCN) Leitlinien optimiert. Die prä- und posttherapeutischen MDT-Empfehlungen wurden mit den vom LLM generierten Ergebnissen verglichen. Die Übereinstimmung wurde in vollständige Übereinstimmung, leitlinienkonforme Abweichung oder nicht leitlinienkonforme Abweichung kategorisiert. Die Modellgenauigkeit wurde mittels F1-Score und Matthews-Korrelationskoeffizient (MCC) bewertet, die komplementäre Maße der Klassifikationsleistung darstellen.Ergebnisse: Der Vergleich zwischen MDT- und LLM-Empfehlungen zeigte eine vollständige Übereinstimmung in 74 % der prätherapeutischen und 83 % der posttherapeutischen Fälle. Unter Einbeziehung teilweiser Übereinstimmungen betrug die Leitlinienkonformität 95 % bzw. 91 %. Für die Unterscheidung zwischen kurativen und palliativen Konzepten erreichte das LLM eine Genauigkeit von 97 %. Abweichungen waren hauptsächlich auf fehlende Angaben zu ECOG, Inoperabilität sowie gelegentliche Überschätzungen des kurativen Ansatzes bei Stadium IVc-Fällen mit solitären Metastasen zurückzuführen. Subgruppenanalysen bestätigten eine hohe Zuverlässigkeit über alle Tumorlokalisationen und Stadien hinweg. Dennoch können Abweichungen je nach Unterkategorie des HNSCC auftreten.Diskussion: Lokal betriebene LLMs wie Llama 3.3 können Therapieempfehlungen mit hoher Übereinstimmung zu MDT-Entscheidungen generieren und gleichzeitig die Einhaltung der EU-Datenschutzbestimmungen gewährleisten. Obwohl MDTs weiterhin für eine individualisierte Behandlung unerlässlich bleiben, kann die KI-gestützte Integration von Leitlinien die Datensynthese erleichtern, die Standardisierung fördern und die Gesamteffizienz verbessern. 0 0 0 0