A large language model-assisted workflow for generating a living evidence base for climate-sensitive foodborne disease
Diese Studie zeigt, dass ein durch LLMs unterstützter Workflow, der strukturierte Suchanfragen mit iterativer GPT-4-Turbo-Verfeinerung kombiniert, effektiv eine schnelle, skalierbare und politisch relevante Living-Evidence-Basis für klimasensible lebensmittelbedingte Krankheiten mit hoher Trefferquote und verbesserter Screening-Konsistenz generieren kann.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das große Problem: Zu viele Informationen, zu wenig Zeit
Stellen Sie sich vor, Sie versuchen, spezifische Rezepte für eine Dinnerparty zu finden, aber Sie haben eine Bibliothek mit 78.000 Kochbüchern. Sie müssen diejenigen finden, in denen es darum geht, wie das Wetter (wie Regen oder Hitze) die Lebensmittelsicherheit beeinflusst.
Dies manuell zu erledigen, ist so, als müsste man jedes einzelne Buch in dieser Bibliothek nacheinander lesen. Es dauert ewig, kostet viel Geld und bis man fertig ist, sind bereits neue Bücher eingetroffen, was die eigene Liste veraltet macht. Dies ist das Problem, vor dem Gesundheitsbehörden im Zusammenhang mit lebensmittelbedingten Krankheiten (wie Salmonellen oder Noroviren) und dem Klimawandel stehen. Sie müssen wissen, wie Wetterveränderungen diese Keime beeinflussen, aber die Forschung kommt zu schnell herein, als dass Menschen Schritt halten könnten.
Die Lösung: Ein intelligenter „Co-Pilot“ für Forscher
Die Autoren dieser Arbeit haben einen neuen Ansatz ausprobiert: den Einsatz eines KI-Assistenten (speziell eines Large Language Models, oder LLM), um bei der Durchsicht der Forschung zu helfen.
Betrachten Sie die KI nicht als einen Roboter, der den Bibliothekar ersetzt, sondern als einen superschnellen, unermüdlichen Praktikanten.
- Das Setup: Die Forscher haben diesem „Praktikanten“ beigebracht, worauf er achten muss. Sie gaben ihm eine Liste spezifischer Keime (wie Campylobacter und Salmonella) und spezifischer Wetterfaktoren (wie Temperatur und Regen).
- Das Training: Sie haben ihm nicht nur eine einmalige Anweisung gegeben. Stattdessen verwendeten sie eine Methode namens „iterative Verfeinerung“.
- Die Analogie: Stellen Sie sich vor, Sie bringen einem Hund bei, einen Ball zu apportieren. Zuer Sie schnappt er sich einen Stock. Sie sagen: „Nein, der Ball.“ Er versucht es erneut und schnappt sich einen Schuh. Sie sagen: „Näher dran, aber nicht der Schuh.“ Sie korrigieren ihn immer wieder, bis er schließlich genau versteht, wie „der Ball“ aussieht.
- In dieser Studie zeigten die Forscher der KI Beispiele von Papern, die sie falsch eingeordnet hatte, korrigierten ihre Anweisungen und baten sie, es erneut zu versuchen. Dies taten sie immer und immer wieder, bis die KI wirklich gut darin wurde, die richtigen Arbeiten zu identifizieren.
Wie gut hat es funktioniert?
Das Team testete diesen KI-„Praktikanten“ gegen eine Gruppe von menschlichen Experten, die die Arbeiten bereits gelesen hatten.
- Das Ziel: Das Wichtigste für einen Forscher ist es, keine relevante Arbeit zu übersehen (hoher „Recall“). Es ist akzeptabel, wenn die KI ein paar zusätzliche Arbeiten heranzieht, die sich als irrelevant herausstellen, solange sie alles Wichtige erfasst.
- Das Ergebnis: Die KI war exzellent darin, nichts zu übersehen. Sie erfasste 89 % der relevanten Arbeiten, die auch die Menschen fanden.
- Der Kompromiss: Da sie so bestrebt war, alles zu erfassen, markierte sie auch einige Arbeiten, die tatsächlich nicht relevant waren (etwa 40 % der von ihr ausgewählten Arbeiten waren „Fehlalarme“). Die Autoren sagen jedoch, dass dies ein guter Kompromiss ist. Es ist besser, einen Stapel von 100 Papern zu prüfen (von denen 60 gut sind), als die 10 guten in einem Stapel von 1.000 zu übersehen.
Was haben sie herausgefunden?
Sobald die KI bei der Sortierung der Arbeiten geholfen hatte, sahen die Forscher ein klares Bild dessen, was die Wissenschaft sagt:
- Die Keime: Die am häufigsten diskutierten Übeltäter waren Noroviren, Salmonellen, Campylobacter und Cryptosporidium.
- Das Wetter: Die größten Wetterfaktoren, die mit diesen Krankheiten in Verbindung gebracht wurden, waren Regenfall, Temperatur, Saisonalität (Jahreszeit) und Luftfeuchtigkeit.
- Die Orte: Der Großteil der Forschung stammte aus Europa, Asien und Nordamerika.
Warum ist das wichtig?
Die Arbeit argumentiert, dass dieser Arbeitsablauf ein Wendepunkt für die Entscheidungsfindung im öffentlichen Gesundheitswesen ist.
- Lebende Evidenz: Traditionelle Reviews sind wie eine gedruckte Karte; sobald sie gedruckt ist, ist sie bereits veraltet. Diese KI-gestützte Methode schafft eine „lebende Karte“, die sofort aktualisiert werden kann, sobald neue Forschungsergebnisse vorliegen.
- Skalierbarkeit: Es ist kostengünstig und kann innerhalb gesicherter Regierungsrechner (Firewall-Umgebungen) durchgeführt werden, was bedeutet, dass Behörden es nutzen können, um schnell nach neuen Risiken zu suchen, ohne Armeen von Forschern einzustellen.
Was die Arbeit nicht behauptet
Es ist wichtig anzumerken, was diese Studie nicht getan hat:
- Sie hat nicht bewiesen, dass der Klimawandel definitiv auf eine bestimmte Weise mehr Krankheiten verursacht; sie hat lediglich die Arbeiten gefunden, die den Zusammenhang diskutieren.
- Sie hat das menschliche Urteilsvermögen nicht ersetzt. Die KI ist ein Werkzeug, um die Liste einzugrenzen; Menschen müssen die endgültigen Arbeiten immer noch lesen, um die endgültigen Entscheidungen zu treffen.
- Sie hat die KI nicht an vollständigen Forschungsarbeiten getestet, sondern nur an kurzen Zusammenfassungen (Abstracts).
Das Fazit
Diese Arbeit zeigt, dass wir, indem wir einer KI beibringen, ein „intelligenter Filter“ zu sein, und indem wir Menschen erlauben, ihre Fehler unterdessen zu korrigieren, ein System aufbauen können, das Gesundheitsbehörden über klimabedingte Nahrungsrisiken viel schneller und kostengünstiger auf dem Laufenden hält als bisher. Es verwandelt einen Berg ungelesener Bücher in einen handhabbaren Stapel von „Vielleicht-Büchern“, die bereit für die Überprüfung durch menschliche Experten sind. Es verwandelt einen Berg ungelesener Bücher in einen handhabbaren Stapel von „Vielleicht“-Büchern, die bereit für die Überprüfung durch menschliche Experten sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.