Overview of CHIP 2025 Shared Task 2: Discharge Medication Recommendation for Metabolic Diseases Based on Chinese Electronic Health Records

Stellen Sie sich eine Welt vor, in der Ihr Körper eine komplexe Stadt ist und chronische Krankheiten wie Diabetes oder Bluthochdruck wie hartnäckige Verkehrsstaus sind, die sich einfach nicht aufzulösen scheinen. Um die Stadt am Laufen zu halten, fungieren Ärzte als Verkehrsleiter, die spezifische „Fahrzeuge“ (Medikamente) verschreiben, um den Verkehrsfluss aufrechtzuerhalten. Aber hier liegt der Knackpunkt: Jede Stadt ist anders, und jeder Fahrer hat einzigartige Gewohnheiten. Genau herauszufinden, welche Fahrzeuge ein Patient nach einem Krankenhausaufenthalt mit nach Hause nehmen muss, ist ein riesiges Rätsel. Wenn die falschen Fahrzeuge gewählt werden, kehren die Verkehrsstaus zurück, und der Patient landet möglicherweise wieder im Krankenhaus. Dies ist der Kern der „Medikamentenempfehlung“, einem Bereich, in dem Wissenschaftler versuchen, Computer einzusetzen, um Ärzten bei diesen lebensrettenden Entscheidungen zu helfen.

Lange Zeit wurden Computer immer besser darin, medizinische Notizen zu lesen, aber sie lernten hauptsächlich aus englischsprachigen Geschichten. Diese Arbeit taucht in eine neue, spannende Ecke der Wissenschaft ein: Computern beizubringen, chinesische Krankenhausakten zu lesen, um dieses Rätsel zu lösen. Die Kernidee ist die Verwendung von „elektronischen Gesundheitsakten“ (EHRs) – das sind im Grunde digitale Tagebücher eines Krankenhausaufenthalts, gefüllt mit Symptomen, Labortests und der Krankengeschichte – und deren Einspeisung in leistungsstarke „Large Language Models“ (LLMs). Stellen Sie sich diese LLMs als superintelligente, gut belese Bibliothektare vor, die Millionen von Büchern gelesen haben und nun lernen können, die perfekte Medikamentenliste für einen bestimmten Patienten vorherzusagen, indem sie einfach dessen Geschichte lesen. Warum ist das wichtig? Weil die Entscheidung über die richtige Medizin bei der Entlassung den Unterschied ausmacht, ob ein Patient gesund zu Hause bleibt oder wieder krank wird.

---

Das große Medikamenten-Rätsel: CHIP 2025 Shared Task 2

In der geschäftigen Welt der medizinischen KI wurde ein neuer Wettbewerb namens „CHIP 2025 Shared Task 2“ gestartet, um zu sehen, ob Computer die Kunst der Medikamentenempfehlung bei der Entlassung für Stoffwechselerkrankungen meistern können. Die Organisatoren, ein Team der Dalian University of Technology und eines lokalen Krankenhauses, wollten sehen, ob KI chinesische Krankenhausakten analysieren und automatisch die richtige Liste an Medikamenten vorschlagen kann, die bei der Entlassung einzunehmen sind. Stoffwechselerkrankungen sind Zustände wie Diabetes und Fettlebererkrankungen, bei denen die Energieverarbeitung des Körpers etwas fehlerhaft arbeitet.

Um dies zu ermöglichen, baute das Team einen speziellen Trainingsplatz namens CDrugRed. Stellen Sie sich dies als eine massive, geheime Bibliothek vor, die 5.894 reale Krankenhausgeschichten von 3.190 verschiedenen Patienten enthält. Diese Geschichten wurden sorgfältig bereinigt, um die Privatsphäre der Patienten zu schützen, indem Namen und Gesichter entfernt, aber die medizinischen Details beibehalten wurden. Die Bibliothek umfasst alles, von Alter und Gewicht bis hin zu Labortest Ergebnissen, der medizinischen Vorgeschichte und der tatsächlichen Liste der Medikamente, die die Ärzte bei der Entlassung verschrieben haben. Das Ziel für die KI war simpel: die Geschichte zu lesen und die korrekten Medikamente aus einem Menü von 651 möglichen Optionen auszuwählen.

Der Wettbewerb war ein großer Erfolg. Insgesamt nahmen 526 Teams teil, um dieses Rätsel zu lösen, die von Universitätsforschern bis hin zu Technologieunternehmen reichten. Sie wurden in zwei Runden unterteilt: eine Übungsrunde (Phase A) und ein finales Showdown (Phase B). Am Ende reichten 167 Teams ihre besten Vermutungen für die Übungsrunde ein, und 95 Teams schafften es in das finale Testverfahren.

Die Ergebnisse waren eine Mischung aus „Wow“ und „es gibt noch viel zu lernen“. Das Top-Team namens DeepDrug schaffte es, eine Punktzahl zu erreichen, die zwei verschiedene Wege des Erfolgsmessens kombinierte: einen Jaccard-Score von 0,5102 und einen F1-Score von 0,6267. Um dies in Perspektive zu setzen, hatten die Forscher ein Basis-Computermodell (eine Standard-KI, die mit den Daten trainiert wurde) erstellt, das im finalen Test etwa 0,5062 erreichte. Das beste Team schlug dieses Basismodell, aber nicht mit großem Abstand. Es war ein enges Rennen, wobei die zehn besten Teams alle sehr nah beieinander lagen, was zeigt, dass die KI zwar schon gut wird, das Problem aber noch lange nicht gelöst ist.

Wie sind die Gewinner also vorgegangen? Die Arbeit offenbart, dass das Geheimrezept nicht nur ein einzelner superintelligenter Roboter war, sondern ein „Team von Robotern“, die zusammenarbeiten. Die führenden Teams, wie DeepDrug und ZZUNLP, nutzten eine Strategie namens Ensemble Learning. Stellen Sie sich vor, Sie versuchen, die Antwort auf ein schwieriges Rätsel zu erraten. Wenn Sie nur eine Person fragen, könnte sie falsch liegen. Aber wenn Sie fünf verschiedene Personen fragen und die Antwort nehmen, bei der sich die meisten einig sind, ist die Wahrscheinlichkeit, richtig zu liegen, viel höher. Die Gewinner-Teams trainierten mehrere verschiedene KI-Modelle, ließen jedes seine eigene Medikamentenliste erstellen und kombinierten dann die Antworten. Einige Teams nutzten sogar „Abstimmungssysteme“, bei denen ein Medikament nur dann auf die endgültige Liste kam, wenn mindestens zwei oder drei verschiedene Modelle es vorgeschlagen hatten.

Die Arbeit hebt auch hervor, dass diese KI-Modelle noch lernen. Obwohl die Top-Teams das Basismodell deutlich verbesserten, deuten die Punktzahlen darauf hin, dass noch Raum für Wachstum besteht. Die Forscher merken an, dass die Aufgabe schwierig ist, da Patienten alle unterschiedlich sind und die medizinischen Texte unordentlich und voller Fachjargon sind. Die Gewinner-Ansätze verließen sich nicht nur auf rohe Rechenleistung; sie nutzten kluge Tricks wie „Data Augmentation“ (das Erstellen fiktiver, aber realistischer Variationen von Patientengeschichten, um der KI besser beim Lernen zu helfen) und „Prompt Engineering“ (der KI beizubringen, wie sie die medizinischen Notizen genau lesen muss).

Letztendlich zeigte dieser Wettbewerb, dass fortschrittliche KI, insbesondere solche, die auf Large Language Models basieren, echtes Potenzial hat, Ärzten in China bei der Verwaltung chronischer Krankheiten zu helfen. Er bewies, dass Computer mit den richtigen Daten und klugem Teamwork beginnen können, die komplexen Geschichten der menschlichen Gesundheit zu verstehen. Die Autoren weisen jedoch vorsichtig darauf hin, dass dies erst der Anfang ist. Herausforderungen wie seltene Krankheiten, unausgewogene Daten und die Sicherstellung, dass die KI in verschiedenen Krankenhäusern funktioniert, müssen noch gelöst werden. Für den Moment steht die Tür weit offen für weitere Forscher, die sich der Party anschließen können, um den CDrugRed-Datensatz zu nutzen und noch intelligentere Werkzeuge zu bauen, die eines Tages sicherstellen könnten, dass jeder Patient mit dem perfekten Rezept in der Hand das Krankenhaus verlässt.