KI-Modelle und Plattformen
PREVIA von NYU Langone erkennt PTBS-Risiko in Schilderungen von Notfällen
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
NYU Langone Health gab am 9. November 2026 bekannt, dass das KI-Ensemble PREVIA Schilderungen von Traumata in der Notaufnahme analysiert hat, um das Risiko einer posttraumatischen Belastungsstörung (PTBS) einen Monat später einzuschätzen. In einer Studie mit 145 Patienten lag die Sensitivität der besten Konfiguration bei 95,4 %. Das experimentelle Screening-System soll gefährdete Patienten identifizieren, ohne die Aufnahme in der Notaufnahme um einen umfangreichen Fragebogen zur psychischen Gesundheit zu ergänzen.
Der Artikel in Nature Communications, der ebenfalls am 9. November veröffentlicht wurde, berichtet über eine AUROC von 78,5 % und eine Präzision von 46,8 % über drei Kreuzvalidierungsdurchläufe hinweg und fordert eine Validierung in größeren, unabhängigen Kohorten. Die Sensitivität gibt den Anteil der späteren PTBS-Fälle an, die erkannt werden; die Präzision gibt den Anteil der positiv getesteten Patienten an, die tatsächlich eine PTBS entwickelten; und die AUROC fasst zusammen, wie gut die Werte die beiden Ergebnisse voneinander unterscheiden. Diese Präzision bedeutet, dass viele positive Screenings falsch positiv wären und möglicherweise zusätzlichen Zeitaufwand für das Personal, eine Belastung der Patienten sowie Kosten für die Ressourcenverteilung verursachen könnten. Der nächste Schritt wäre jedoch normalerweise eine kurze Beurteilung und kein invasiver Eingriff.
PREVIA setzt bei einer praktischen Versorgungslücke an: Laut der Studie führen nur etwa 28 % der Notaufnahmen in den USA routinemäßig ein PTBS-Screening durch, und nur zwei Drittel davon verwenden validierte Fragebögen. Standardisierte Untersuchungen konkurrieren mit der unmittelbaren medizinischen Versorgung, wenn Ärzten pro Patient typischerweise etwa 15–20 Minuten zur Verfügung stehen. Der erste Monat nach einem Trauma ist ein entscheidendes Zeitfenster für die Erkennung, da viele Patienten danach keinen Kontakt mehr zum Krankenhaus haben.
Die leitende Autorin Katharina Schultebraucks, Co-Direktorin für Computational Psychiatry an der NYU Grossman School of Medicine, sagte: „PREVIA kann als KI-Screening-System dienen, das gefährdete Patienten erkennt und erklärt, warum sie gefährdet sind – ohne die Aufnahme in stark ausgelasteten Notaufnahmen zeitlich zu verlängern.“
Von der Schilderung am Krankenbett zum Risikowert
Studienkoordinatoren baten Patienten in zwei Traumazentren der Versorgungsstufe 1 in New York City, das Ereignis zu schildern, das sie in die Notaufnahme geführt hatte. Die Teilnehmer wurden innerhalb von 24 Stunden nach dem Trauma in die Studie aufgenommen und erhielten bis zu drei Minuten für ihre Antwort; währenddessen zeichnete ein iPad ein Video auf. Die Schilderungen umfassten durchschnittlich etwa 374 Wörter. Whisper transkribierte die Aussagen der Patienten, und englische Muttersprachler im Forschungsteam überprüften die Transkripte. Die PTBS-Ergebnisse nach einem Monat wurden anhand der Clinician-Administered PTSD Scale for DSM-5 ermittelt, einem klinischen diagnostischen Interview.
PREVIA verarbeitet jedes Transkript in drei Ebenen. Auf der ersten Ebene bewerten Llama und Mistral unabhängig voneinander frühe Symptome einer posttraumatischen Belastung, Reaktionen während des traumatischen Ereignisses, Risikofaktoren und Schutzfaktoren. DeepSeek führt die acht Bewertungen der beiden Modelle zu strukturierten Zusammenfassungen zusammen; ihre numerischen Werte werden dabei gleich gewichtet und gemittelt. Eine abschließende Bewertung kombiniert die Zusammenfassungen mit Angaben zu Alter, Geschlecht, Traumaart und PTBS-Prävalenz, um einen Risikowert von 0 bis 100 sowie eine kurze Erklärung zu erstellen.
Die Pipeline nutzt Zero-Shot-Prompts, ohne ein Training von Parametern oder eine Feinabstimmung anhand der Studienpopulation. Die Klassifikationsschwelle wurde mithilfe einer Kreuzvalidierung optimiert und bewertet.
Leistung im Vergleich zu einfacheren Modellen und einer Fachperson
Der Artikel berichtet, dass PREVIA bei vielen Messgrößen insgesamt eine weitgehend vergleichbare Leistung wie einzelne Zero-Shot-Konfigurationen von O3, Llama und Mistral erzielte; den deutlichsten Vorteil hatte PREVIA bei der Sensitivität. Bei einer PTBS unterhalb der diagnostischen Schwelle – also bei klinisch bedeutsamen Symptomen, die nicht den vollständigen Diagnosekriterien entsprechen – erreichte PREVIA eine Sensitivität von 89,7 % und einen F1-Wert von 69,4 %, einem kombinierten Maß für Präzision und Sensitivität.
Die Studie berichtet über einen separaten Vergleich von 30 zufällig ausgewählten Schilderungen, der so geschichtet wurde, dass neun PTBS-Fälle enthalten waren. Dabei erzielte PREVIA eine Sensitivität von 100 % und eine AUROC von 84,4 %. Eine in der Notfallmedizin tätige Ärztin oder ein dort tätiger Arzt erreichte eine Sensitivität von 88,9 % und eine AUROC von 83,9 %; beide erzielten eine Präzision von 50 %. Die klinische Fachperson verfügte über mehr als 24 Jahre Erfahrung in der Notfallmedizin sowie über spezielle Forschungserfahrung im Bereich PTBS. Aufgrund des Studiendesigns mit nur einer bewertenden Person bleibt offen, ob sich der Vergleich auf unterschiedliche Erfahrungsstufen und klinische Umgebungen übertragen lässt.
Anforderungen an Validierung und Einführung
Die Teilnehmer waren englischsprachige, medizinisch stabile Erwachsene im Alter von 18–80 Jahren; Frauen machten 31 % der Stichprobe aus. Medizinisch instabile Patienten wurden ausgeschlossen, wodurch möglicherweise einige der am stärksten von chronischer PTBS gefährdeten Patienten nicht berücksichtigt wurden. Die Autoren nennen Tests in anderen Sprachen, längerfristige PTBS-Verläufe, Begleiterkrankungen wie Depressionen sowie die Einbindung in das klinische Urteilsvermögen und die Arbeitsabläufe der Notaufnahme als künftige Forschungsaufgaben.
Die Autoren schlagen einen klinischen Arbeitsablauf vor, bei dem eine kurze Audioaufnahme mit den demografischen Angaben und den Trauma-Variablen aus der elektronischen Patientenakte verknüpft wird. Anschließend soll das System ohne zusätzliche Eingabe durch eine Ärztin oder einen Arzt einen Risikowert und eine Erklärung ausgeben. Die Studie hat nicht nachgewiesen, dass ein solches Screening die Behandlungsergebnisse der Patienten verbessert. PREVIA lief in einer HIPAA-konformen Hochleistungsrechnerumgebung auf NVIDIA-A100-GPUs. Beim Selbstbetrieb behalten Krankenhäuser die Kontrolle über Patientendaten; eine Einführung setzt jedoch voraus, dass sie über eine geeignete Rechen- und Governance-Infrastruktur verfügen.
Das öffentliche PREVIA-Repository enthält die vollständige Pipeline und die Prompts für lokal ausführbare Modelle mit offenen Gewichten sowie fünf frei erfundene Narrative zur Demonstration des gesamten Ablaufs. Identifizierbare klinische Narrative und psychiatrische Beurteilungen bleiben aus Gründen des Datenschutzes und der Einwilligung geschützt. Daher kann die Demo zwar den Betrieb erproben, nicht aber die quantitativen Ergebnisse der Studie reproduzieren.
Der unmittelbare Beitrag von PREVIA besteht in einem unabhängig überprüfbaren Screening-Ansatz, der auf einem routinemäßigen Notfallkontakt und von Klinikern beurteilten Ergebnissen beruht. Sein klinischer Nutzen hängt nun von einer unabhängigen Validierung ab: davon, ob größere Kohorten die Sensitivität bestätigen, ob Versorgungseinrichtungen mit den falsch-positiven Ergebnissen umgehen können und ob Krankenhäuser Aufzeichnung, Nachsorge und sichere Datenverarbeitung integrieren können, ohne die Notfallversorgung zu beeinträchtigen.
