26rhk01910.3205/26rhk019urn:nbn:de:0183-26rhk0195Meeting AbstractSchneller zur Diagnose mit LLMs? Ergebnisse der randomisiert-kontrollierten ALLIANCE-Studie zur Entscheidungsunterstützung in der RheumatologieKnitzaKnitzaJohannesJInstitut für Digitale Medizin, Universitätsklinikum Marburg, Philipps-Universität Marburg, Marburg, DeutschlandauthorKremerKremerPhillipPIII. Medizinische Klinik, Sektion für Rheumatologie und entzündliche Systemerkrankungen, Universitätsklinikum Hamburg-Eppendorf, Hamburg, DeutschlandauthorSchlickerSchlickerNadineNInstitut für Künstliche Intelligenz, Philipps-Universität Marburg, Universitätsklinikum Marburg, Marburg, DeutschlandauthorHasanajHasanajRagipRUniversitätsklinik Erlangen, Medizinische Klinik 2 – Kardiologie und Angiologie, Erlangen, DeutschlandauthorWitteWitteThorbenTKlinik für Rheumatologie und klinische Immunologie, Charité Universitätsmedizin Berlin, Berlin, DeutschlandauthorHaaseHaaseIsabellIIII. Medizinische Klinik, Sektion für Rheumatologie und entzündliche Systemerkrankungen, Universitätsklinikum Hamburg-Eppendorf, Hamburg, DeutschlandauthorMayrMayrAndreasAInstitut für Medizinische Biometrie und Statistik, Philipps-Universität Marburg, Marburg, DeutschlandauthorSchmidtSchmidtCarstenCMedizinischen Klinik II, Klinikum Fulda, Universitätsmedizin Marburg-Campus Fulda, Fulda, DeutschlandauthorOsterasOsterasNinaNCenter for Treatment of Rheumatic and Musculoskeletal Diseases (REMEDY), Diakonhjemmet Hospital, Oslo, NorwayauthorBaraliakosBaraliakosXenofonXRheumazentrum Ruhrgebiet, Herne, DeutschlandauthorKuhnKuhnSebastianSInstitut für Digitale Medizin, Universitätsklinikum Marburg, Philipps-Universität Marburg, Marburg, DeutschlandauthorKruscheKruscheMartinMIII. Medizinische Klinik, Sektion für Rheumatologie und entzündliche Systemerkrankungen, Universitätsklinikum Hamburg-Eppendorf, Hamburg, DeutschlandauthorGerman Medical Science GMS Publishing House
Düsseldorf
61020260909germThis 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).M0656019Deutsche Gesellschaft für RheumatologieDeutsche Gesellschaft für Orthopädische RheumatologieGesellschaft für Kinder- und Jugendrheumatologie54. Kongress der Deutschen Gesellschaft für Rheumatologie und Klinische Immunologie (DGRh), 36. Jahrestagung der Gesellschaft für Kinder- und Jugendrheumatologie (GKJR), 40. Jahrestagung der Deutschen Gesellschaft für Orthopädische Rheumatologie (DGORh)Deutscher Rheumatologiekongress 2026Digitale RheumatologieLeipzig2026090920260912DR.07TextEinleitung: Sprachmodelle werden zunehmend leistungsfähiger und übertreffen in ihrer Leistungsfähigkeit teils bereits etablierte Medizinprodukte. Gleichzeitig werden sie von Ärzt*innen zunehmend auch für diagnostische Fragestellungen genutzt. Bislang fehlt jedoch belastbare Evidenz dazu, welche Auswirkungen diese Nutzung auf diagnostische Qualität, Effizienz und Akzeptanz im klinischen Alltag hat. Prof. Valmed ist laut eigenen Angaben europaweit das erste zugelassene Medizinprodukt, das eine klinische Entscheidungsunterstützung auf Basis eines LLMs ermöglicht. Ziel der ALLIANCE-Studie war die Untersuchung des Einflusses dieser Technologie auf Diagnosegenauigkeit, Bearbeitungszeit und Akzeptanz in der Rheumatologie.Methoden: ALLIANCE war eine multizentrische, prospektive, randomisiert-kontrollierte Studie. Insgesamt nahmen 82 Ärzte aus sieben Zentren teil, darunter Rheumatologen und andere nicht-rheumatologische Ärzte. Die Teilnehmenden bearbeiteten drei klinische Fälle zu Cogan-Syndrom, Dermatomyositis und familiärem Mittelmeerfieber (FMF). Sie wurden randomisiert entweder einer Kontrollgruppe zugeteilt, die alle Hilfsmittel mit Ausnahme von LLMs nutzen durfte, oder einer Interventionsgruppe, die zusätzlich Zugriff auf Prof. Valmed hatte. Primärer Endpunkt war die Veränderung der Diagnosegenauigkeit im Vergleich zur Baseline (Bearbeitung ohne Hilfsmittel). Zusätzlich wurden die für die diagnostische Unterstützung benötigte Zeit sowie die Akzeptanz der Anwendung untersucht. Die Auswertung erfolgte unadjustiert und adjustiert für Alter, Geschlecht und Fachgebiet.Ergebnisse: Beide Gruppen profitierten von der diagnostischen Unterstützung. Im Vergleich zur Baseline zeigte sich jedoch kein signifikanter Unterschied im Ausmaß der Verbesserung zwischen der Interventionsgruppe (11,0 %) und der Kontrollgruppe (11,7%; OR = 0,99; 95%-KI 0,45–2,19; p = 0,979), Abbildung 1A . Dieses Ergebnis blieb auch nach Adjustierung für Alter, Geschlecht und Fachgebiet unverändert. Hinsichtlich der Effizienz zeigte sich jedoch ein signifikanter Vorteil für die Interventionsgruppe: Die Teilnehmenden der Kontrollgruppe benötigten für die diagnostische Unterstützung im Mittel etwa doppelt so lange wie jene der Interventionsgruppe (206,5 ± 146,7 s vs. 94,3 ± 66,9 s), Abbildung 1B . Die gesamte Fallbearbeitungszeit war in der Interventionsgruppe signifikant kürzer und lag im Mittel um 111,6 Sekunden unter der der Kontrollgruppe (95%-KI [−140,6 bis −82,6]; p < 0,001). Zudem gaben 83% der Prof.-Valmed-Nutzer*innen an, das System künftig weiter nutzen zu wollen.Schlussfolgerung: Die ALLIANCE-Studie ist die erste randomisiert-kontrollierte Studie, die den Einfluss diagnostischer klinischer Entscheidungsunterstützung bei Ärzt*innen in der Rheumatologie untersucht hat. Trotz vergleichbarer Diagnosegenauigkeit zeigte sich ein klarer Vorteil hinsichtlich der benötigten Bearbeitungszeit. Der Einfluss von LLMs auf die klinische Routine sollte in weiteren methodisch robusten Studien idealerweise unter Real-World-Bedingungen untersucht werden.011
Abbildung 1: (A) Anteil korrekter Topdiagnosen in der Interventions- und Kontrollgruppe ohne Hilfsmittel (Baseline) sowie nach diagnostischer Unterstützung, (B) Zeitaufwand für die weitere diagnostische Fallbearbeitung mit Hilfsmitteln.