Jenseits der Syntax: Das Gebot für neuro-symbolische KI und ontologiegesteuerte Phänotypisierung in der Rekrutierung für klinische Studien

1. Die wirtschaftliche und klinische Krise des Rekrutierungs versagens

Die pharmazeutische Industrie steht an einem prekären Schnittpunkt beispielloser wissenschaftlicher Leistungsfähigkeit und untragbarer operativer Ineffizienz. Während die Mechanismen der Wirkstoffentdeckung durch Hochdurchsatz-Screening, generative Biologie und computergestützte Chemie revolutioniert wurden, bleibt der Apparat der klinischen Validierung an archaische Prozesse gebunden, die die wirtschaftliche Tragfähigkeit moderner Therapeutika bedrohen. Das Phänomen des „Eroom's Law“ — die Beobachtung, dass die Wirkstoffentdeckung langsamer und teurer wird und sich im Zeitverlauf umgekehrt proportional zu Verbesserungen der Transistordichte entwickelt — ist kein Versagen der Wissenschaft, sondern ein Versagen der Prozesse. ¹ Im Kern dieser operativen Krise liegt die anhaltende Unfähigkeit, geeignete Patienten für klinische Studien effizient zu identifizieren und zu rekrutieren.

Aktuelle Analysen zeigen, dass die überwiegende Mehrheit der klinischen Studien — etwa 80% — ihre Einschreibungsfristen nicht einhält. ² Diese Statistik ist nicht bloß eine Kennzahl der Verzögerung; sie ist ein Quantifizierer verlorener Innovation und aufgeschobener Hoffnung. Wenn die Rekrutierung stockt, gerät die gesamte Wirkstoffentwicklungspipeline ins Stocken und erzeugt eine Kaskadenstörung, die finanzielle Renditen, regulatorische Zulassungsfristen und — am kritischsten — den Patientenzugang zu lebensrettenden Therapien betrifft. Der derzeitige branchenübliche Umgang mit diesem Engpass, oft gekennzeichnet durch den Einsatz generischer PDF-Parser und von „Ctrl+F“-Keyword-Matching, stellt ein grundlegendes Missverständnis des Problems dar. Wir versuchen, Krebs mit Syntax zu heilen, während die Heilung in der Semantik liegt.

1.1 Die finanzielle Kalkulation der Latenz

Zeit ist die mit Abstand teuerste Ressource im pharmazeutischen Ökosystem. In einer Branche, die von Patentexklusivitätsfenstern bestimmt wird, ist jeder in der klinischen Entwicklung verlorene Tag ein Tag, der vom Zeitraum der Spitzenumsatzgenerierung abgezogen wird. Die finanziellen Auswirkungen von Studienverzögerungen reichen weit über die unmittelbare operative Verbrennungsrate hinaus; sie erodieren den Kapitalwert (NPV) des Assets und verändern grundlegend das Renditeprofil (ROI) des Forschungs portfolios.

Forschung des Tufts Center for the Study of Drug Development (CSDD) liefert eine klare und rigorose Quantifizierung dieser Kosten. Während historische Schätzungen aus den 1990er-Jahren oft eine breite Spanne von $600,000 bis $8 Millionen pro Tag Verzögerung anführten, liefern aktualisierte Analysen, verfeinert für die wirtschaftliche Landschaft 2024-2025, ein präziseres und alarmierenderes Bild. Der Wert eines einzelnen Tages Verzögerung in der Wirkstoffentwicklung wird nun auf etwa $800,000 in entgangenen Verschreibungsumsätzen für ein durchschnittliches leistungsstarkes Asset geschätzt. ⁴

Dieser Durchschnitt überdeckt jedoch die extreme Volatilität in hochwertigen Therapiegebieten. Bei Blockbuster-Indikationen in Onkologie, Herz-Kreislauf-Erkrankungen oder Hämatologie sind die Kosten der Latenz deutlich höher. Nischen-Onkologie-Therapien, die oft spezifische genetische Marker adressieren und präzises Patientenmatching erfordern, stehen unter intensivem Wettbewerbsdruck. Eine Verzögerung von wenigen Monaten kann zu einem Markteintritt als „Second-to-Market“ führen und potenziell Milliarden an entgangenem Marktanteil über den Produktlebenszyklus kosten. ⁵

Allein die operativen Kosten — die direkten Ausgaben für offene Prüfzentren, Datenmonitoring und die Aufrechterhaltung von CRO-Verträgen — addieren rund $40,000 pro Tag für Phase-II- und Phase-III-Studien. ⁴ Doch die wahren Kosten sind die Opportunitätskosten. Bei kompetitiven Indikationen wie nicht-kleinzelligem Lungenkrebs (NSCLC) oder akuter myeloischer Leukämie (AML) eilen oft mehrere Assets auf dieselbe regulatorische Ziellinie zu. Der Ersteinstiegende sichert sich typischerweise den Großteil des Marktanteils und etabliert den Behandlungsstandard. Zweiter zu sein, aufgrund von Rekrutierungsverzögerungen, macht ein ansonsten wissenschaftlich überlegenes Arzneimittel kommerziell untragbar.

Tabelle 1: Die finanziellen Auswirkungen von Verzögerungen klinischer Studien nach Therapiegebiet

Therapiegebiet	Medianer entgangener Umsatz pro Tag Verzögerung (2023 USD)	Operative Komplexität Faktor
Herz-Kreislauf	$1.4 Millionen	Hoch (Große Kohorten, komplexes Monitoring)
Hämatologie	$1.3 Millionen	Hoch (Spezialisierte Zentren, seltene Phänotypen)
Onkologie	$840,000	Sehr hoch (Genetisches Screening, komplexe Ausschlüsse)
Zentrales Nervensystem	Variabel	Mittel bis hoch (Subjektive Endpunkte)

Daten abgeleitet aus dem Tufts-CSDD-Impact-Report und zugehörigen Finanzanalysen. ⁴

Diese finanzielle Realität erzeugt ein Gebot der Effizienz, das durch manuelle Prozesse oder generische Automatisierung nicht erfüllt werden kann. Der Unterschied zwischen einer Studie, die termingerecht einschreibt, und einer, die sich um sechs Monate verzögert, ist oft der Unterschied zwischen einem profitablen Asset und einer Abschreibung.

1.2 Der operative Engpass: Der Screening-Failure-Trichter

Die Rekrutierungskrise ist nicht allein durch einen Mangel an Patienten definiert, sondern durch die Ineffizienz des Screening-Trichters. Die Branche leidet nicht unter einem Mangel an Krankheitsprävalenz; sie leidet unter einem Mangel an identifizierbarer Eignung. Schätzungen zufolge 37% der Forschungszentren unterrekrutieren, und erschreckende 11% schließen keinen einzigen Patienten ein . ³ Diese Ineffizienz wird maßgeblich durch hohe Screen-Failure-Raten getrieben, bei denen Patienten anhand oberflächlicher Kriterien als potenzielle Kandidaten identifiziert, nach teurer und zeitaufwendiger manueller Prüfung jedoch letztlich abgelehnt werden.

Die Kosten eines Screen Failure sind erheblich und liegen branchenweit im Durchschnitt bei etwa $1,200 pro Fehlschlag über die Branche. ³ Diese Kosten umfassen die Zeit der Studienkoordinatoren, die Ausgaben für vorläufige Untersuchungen und den administrativen Aufwand der Verarbeitung der Patientendaten. Wenn automatisierte Systeme hohe Volumina an Falsch-Positiven erzeugen — Patienten, die anhand von Schlüsselwörtern geeignet erscheinen, nach klinischer Logik jedoch ungeeignet sind — verstopfen sie den Rekrutierungstrichter.

Dieses Phänomen erzeugt einen „Denial-of-Service“-Angriff auf klinische Forschungszentren. Studien koordinatoren, bereits überlastet durch Verwaltungsaufgaben, werden mit Listen „potenzieller Treffer“ überflutet, die von KI-Tools niedriger Treue erzeugt werden. Liefert ein Tool 100 Kandidaten, von denen nur 5 wirklich geeignet sind, verliert der Koordinator rasch das Vertrauen in das System und kehrt zu manuellen Methoden zurück. Dieses Paradox — dass mehr Automatisierung zu weniger Effizienz führen kann — ist ein direktes Ergebnis der „Präzisionslücke“ in den heutigen Matching-Technologien.

Darüber hinaus verschärft die wachsende Komplexität von Studienprotokollen dieses Problem. Moderne Protokolle sind keine einfachen Listen von Einschluss- und Ausschlusskriterien mehr. Sie sind komplexe logische Strukturen mit Dutzenden bedingter Klauseln, zeitlichen Abhängigkeiten (z. B. „Keine vorherige Exposition gegenüber Wirkstoff X innerhalb von 6 Monaten, es sei denn Kontext Y“) und verwickelten Biomarker anforderungen. Menschliche Rekrutierer, ermüdet durch hohe EHR-Datenvolumina, und generische KI- Parser, denen zeitliches und ontologisches Schließen fehlt, tun sich schwer, diese Kriterien konsistent anzuwenden. ⁶

1.3 Das menschliche und ethische Gebot

Jenseits der Finanzkennzahlen liegt das ethische Gebot der klinischen Forschung. Verzögerungen in der Rekrutierung übersetzen sich direkt in Verzögerungen der regulatorischen Zulassung. Für Patienten mit progressiven Erkrankungen wie metastasiertem Krebs, neurodegenerativen Krankheiten oder seltenen genetischen Störungen ist eine sechsmonatige Verzögerung in der Start-up- oder Einschreibungsphase einer Studie keine Statistik; sie ist ein lebensverändernder Zeitraum. Sie kann den Unterschied bedeuten zwischen dem Zugang zu einer potenziell kurativen Therapie und palliativer Versorgung. ⁷

Der derzeitige Standard der Rekrutierung besteht im manuellen Durchsuchen von PDF-Krankenakten oder in rudimentären „Ctrl+F“-Keyword-Suchen, um Patienten zu finden. Dieser Ansatz ist inhärent gegen komplexe Patienten verzerrt. Er begünstigt jene mit einfachen, klar dokumentierten Vorgeschichten und schließt jene aus, deren Eignung in unstrukturierten Notizen oder komplexer Bedingungslogik verborgen ist. Indem wir geeignete Patienten nicht treffgenau identifizieren, verzögern wir nicht nur Wirkstoffe; wir verweigern Zugang.

Dieses Whitepaper argumentiert, dass die Lösung dieser Krise einen grundlegenden Wandel darin erfordert, wie wir klinische Daten verarbeiten. Wir wechseln von der stochastischen Textverarbeitung zur ontologiegesteuerten Phänotypisierung . Wir müssen die Wahrscheinlichkeit des LLM durch die Gewissheit des Logik lösers ersetzen. Veriprajna positioniert sich an der Spitze dieses Übergangs und nutzt neuro-symbolische KI, um die Lücke zwischen der unstrukturierten Sprache der Versorgung und der rigorosen Logik der Forschung zu schließen.

2. Das Versagen der Syntax: Warum PDF-Parser und generische KI das Ziel verfehlen

Die pharmazeutische Industrie hat versucht, den Rekrutierungsengpass mit Natural Language Processing (NLP) über mehr als ein Jahrzehnt zu lösen. Frühe Anstrengungen stützten sich jedoch weitgehend auf syntaxbasierte Ansätze — Keyword-Matching, reguläre Ausdrücke und boolesche Such strings — oder, neuerdings, probabilistische Generierung mittels Large Language Models (LLMs) wie GPT-4 oder Claude. Beide Ansätze, obwohl technisch verschieden, teilen im Kontext klinischer Studien einen gemeinsamen Fehlermodus: ihnen fehlt semantische Präzision .

2.1 Der „Cardiac Catheterization“ vs. „Central Venous Puncture“- Trugschluss

Um das tiefgreifende Versagen syntaxbasierten Matchings zu verstehen, müssen wir ein konkretes klinisches Szenario betrachten, das den Mangel an ontologischer Fundierung in generischer KI verdeutlicht. Dieses Beispiel ist kein Randfall; es repräsentiert eine Fehlerklasse, die automatisierte Rekrutierung systeme durchdringt.

Betrachten Sie ein Studienprotokoll für ein neuartiges Antikoagulans, das explizit „Cardiac Catheterization“ als Ausschlusskriterium auflistet. Die medizinische Begründung ist stichhaltig: die kardiale Katheterisierung umfasst das Einführen eines Katheters in die Herzkammern oder Koronararterien, um Funktion zu bewerten oder eine Blockade zu behandeln. ⁹ Es handelt sich um ein hochriskantes, invasives kardiales Verfahren, das jüngste kardiovaskuläre Instabilität impliziert und den Patienten für das Sicherheitsprofil der Studie ungeeignet macht.

Betrachten Sie nun einen Patienten, dessen Electronic Health Record (EHR) eine Arztnotiz enthält, die eine „Central Venous Puncture“ beschreibt (häufig zur Platzierung eines zentralvenösen Katheters oder CVC). Dieses Verfahren umfasst den Zugang zu einer großen Vene (V. jugularis interna, V. subclavia oder femoral), um Medikamente, Flüssigkeiten zu verabreichen oder den zentralvenösen Druck zu überwachen. ¹¹ Obwohl invasiv, ist es ein Gefäßzugangsverfahren, oft bettseitig in der Intensivmedizin durchgeführt, und unterscheidet sich grundlegend von der kardialen Katheterisierung in anatomischem Ziel, physiologischer Wirkung und Risikoprofil.

Der Fehlermodus generischer KI:

1.​ Keyword-Vermengung: Ein Standard-Keyword-Matching-Algorithmus — oder ein schlecht gepromptetes LLM, das auf Vektorähnlichkeit operiert — scannt die Patientenakte. Es identifiziert Begriffe wie „catheter“, „venous“, „puncture“ und potenziell „cardiac“ (falls der CVC in einer Cardiac Care Unit oder CCU platziert wurde).

2.​ Vektorproximität: Im hochdimensionalen latenten Raum eines generischen Embedding-Modells liegen „Cardiac Catheterization“ und „Central Venous Catheterization“ dicht beisammen. Beide sind medizinische Verfahren; beide involvieren Katheter; beide betreffen das vaskuläre System. Das generische Modell, dem eine starre medizinische Ontologie fehlt, vermengt die beiden auf Basis thematischer Ähnlichkeit.

3.​ Falscher Ausschluss: Die KI schließt, dass der Patient das ausgeschlossene herzbezogene Verfahren durchlaufen hat. Sie markiert den Patienten als ungeeignet.

4.​ Ergebnis: Ein geeigneter Patient geht der Studie verloren. Der Studienkoordinator sieht diesen Patienten nie, oder schlimmer, sieht eine falsche Ablehnung und verliert das Vertrauen in das Tool.

Dies ist kein hypothetischer Fehler. Aktuelle Studien zur Bewertung von KI-Modellen für das Studienmatching haben spezifische Fehlermodi identifiziert, bei denen Modelle fälschlich schließen, dass „cardiac catheterization dasselbe sei wie eine central venous puncture“, was zu unrechtmäßigem Ausschluss führt. ² Dieser Fehler entspringt einem Mangel an ontologischer Unterscheidung ; die KI weiß, dass die Wörter verwandt sind, aber sie weiß nicht, wie sie verschieden sind.

2.2 Die Grenzen probabilistischer LLMs bei hochkritischer Entscheidungs findung

Das Aufkommen generativer KI hat einige zu der Annahme geführt, „bessere Prompts“ würden dieses Problem lösen. Large Language Models leiden jedoch unter inhärenten strukturellen Grenzen, wenn sie auf die deterministischen Anforderungen klinischer Studienprotokolle angewandt werden. In hochkritischen Gesundheits umgebungen stellt die „Black-Box“-Natur neuronaler Netze drei kritische Barrieren dar:

1.​ Mangel an Determinismus: LLMs sind probabilistische Maschinen, die das nächste wahrscheinliche Token vorhersagen sollen. Sie sind keine Logikmaschinen. Ein LLM könnte einen Patienten in einem Lauf korrekt als geeignet und im nächsten als ungeeignet identifizieren, basierend auf leichten Variationen des Prompts, der Temperature-Einstellung oder des umgebenden Kontextfensters. Klinische Studien erfordern 100% reproduzierbare Prüfpfade ; Regulatoren müssen genau wissen, warum ein Patient eingeschlossen oder ausgeschlossen wurde. ¹³

2.​ Unfähigkeit, Wahrheit zu verifizieren (das Halluzinationsproblem): LLMs verifizieren Fakten nicht gegen eine Ground-Truth-Datenbank, sofern sie nicht ausdrücklich dazu architektonisch ausgelegt sind. Ist eine Patientennotiz mehrdeutig, kann ein LLM eine Diagnose halluzinieren, um die Lücke zu füllen, und eine Komorbidität „erfinden“, die den Patienten ausschließt, oder — gefährlicher — eine Freigabe erfinden, die einen ungeeigneten Patienten einschließt.

3.​ Datenschutzlecks und Governance: Das Senden unstrukturierter Patientendaten an öffentliche Modell APIs wirft erhebliche HIPAA/DSGVO-Bedenken auf. Zwar existieren Enterprise-Instanzen, doch die grundlegende Architektur massiver Parameter in Interaktion mit privaten Gesundheitsdaten erfordert strikte datenschutzwahrende Architekturen, die Wrapper-APIs oft nicht liefern. ¹³

Der „Hot Take“, der Veriprajnas Philosophie treibt, ist in dieser Realität verankert: Die Branche versucht, ein Logikproblem (Eignung) mit einem Wahrscheinlichkeitstool (LLMs) zu lösen. Die Lösung erfordert den Schritt von Wahrscheinlichkeit zu Beweisbarkeit.

3. Ontologiegesteuerte Phänotypisierung: Der SNOMED-CT- Vorteil

Um das Versagen der Syntax und die Risiken der Wahrscheinlichkeit zu beheben, befürwortet Veriprajna und implementiert ontologiegesteuerte Phänotypisierung . Dieser Ansatz verschiebt die Aufgabe grundlegend vom Lesen von Wörtern zum Abbilden standardisierter medizinischer Konzepte. Wir nutzen SNOMED CT (Systematized Nomenclature of Medicine -- Clinical Terms), die umfassendste mehrsprachige klinische Gesundheitsterminologie der Welt, um die „Ground Truth“ für unsere KI zu liefern. ¹⁵

3.1 Die Macht der Hierarchie (Is-A-Beziehungen)

SNOMED CT ist nicht bloß ein Wörterbuch; es ist eine polyhierarchische Ontologie, strukturiert als gerichteter azyklischer Graph (DAG). Konzepte sind durch logische Beziehungen verknüpft, insbesondere die Is-A-Beziehung (Subtyp). Diese Struktur erlaubt der KI, Granularität, Vererbung und anatomischen Kontext in einer Weise zu verstehen, die flache Keyword-Listen nicht können.

Zurück zum Beispiel „Cardiac Catheterization“ versteht ein SNOMED-bewusstes System die folgenden getrennten Hierarchien:

Hierarchie A: Das Ausschlussziel

●​ Konzept: Cardiac catheterization (procedure)

○​ Übergeordnet: Procedure on heart (procedure) ○​ Übergeordnet: Invasive procedure (procedure) ○​ Untergeordnet: Coronary angiography (procedure) ○​ Untergeordnet: Left heart catheterization (procedure) ¹⁸

Hierarchie B: Das Patientenereignis

●​ Konzept: Central venous catheterization (procedure)

○​ Übergeordnet: Catheterization of vein (procedure) ​¹⁹

○​ Übergeordnet: Insertion of vascular catheter (procedure)

○​ Untergeordnet: Insertion of peripherally inserted central catheter (procedure)

Die Reasoning-Engine: Wenn das Protokoll „Cardiac Catheterization“ ausschließt, sucht die ontologiegesteuerte KI nicht nach den Wörtern „cardiac“ oder „catheter“. Sie führt eine semantische Abfrage auf dem Graphen aus: Ist das Verfahren des Patienten (SCTID: 392230005) ein Subtyp der Ausschlusskriterien (SCTID: 41976001)? Die SNOMED-Hierarchie antwortet NEIN . Die Konzepte liegen auf verschiedenen Ästen des Verfahrensbaums (Herz vs. Vene). Die KI entscheidet deterministisch den Patienten als geeignet bezüglich dieses Kriteriums. ² Diese Logik gilt selbst dann, wenn der Arzt „Central Line Placement“ oder „CVC Insertion“ schrieb, weil die Entitätsextraktionsschicht all diese Synonyme auf die korrekte SCTID abbildet, bevor die Logikprüfung erfolgt.

3.2 Das Synonymie- und Granularitätsproblem lösen

Medizinische Dokumentation ist voller Synonyme, Abkürzungen und unterschiedlicher Granularitätsstufen. Ein Arzt könnte „Heart Cath“, „Angio“, „Coronary Angiography“ oder „LHC“ (Left Heart Cath) schreiben. Eine Keyword-Suche muss mit jeder möglichen Variante hartcodiert werden und wird dennoch neue Formulierungen verfehlen.

SNOMED CT handhabt dies über Synonymie und Konzeptpermanenz . Das Konzept Coronary artery disease wird automatisch auf „CAD“, „Coronary arteriosclerosis“, „Arteriosclerotic heart disease“ und Dutzende weiterer Varianten abgebildet. ²⁰ Unsere KI extrahiert die Konzept-ID (SCTID), nicht den String. Sobald der Text in eine SCTID überführt ist, verschwindet die Mehrdeutigkeit. Das Matching erfolgt Konzept-zu-Konzept, nicht Wort-zu-Wort.

Darüber hinaus erlaubt SNOMED CT Postkoordination, bei der Konzepte durch Attribute verfeinert werden können. Beispielsweise ist ein „Left kidney stone“ nicht bloß ein String; es ist das Konzept Kidney stone, verfeinert durch das Lateralitätsattribut Left. ²² Dies erlaubt der KI, gegen Protokolle zu matchen, die Lateralität oder Schweregrad spezifizieren (z. B. „Patienten mit bilateraler Nierenerkrankung ausschließen“), mit mathematischer Präzision.

3.3 Den computergestützten Phänotyp konstruieren

Durch Aggregation dieser SCTIDs aus dem unstrukturierten Text konstruieren wir einen „computergestützten Phänotyp“ des Patienten. Dieser Phänotyp ist ein strukturierter Satz von Codes, der den exakten klinischen Zustand des Patienten repräsentiert und unterscheidet zwischen:

●​ Diagnose (Störung): z. B. Malignant tumor of lung

●​ Verfahren: z. B. Lobectomy of lung

●​ Befund: z. B. Mass in lung

Diese Unterscheidung ist entscheidend. Ein „Befund“ einer Raumforderung ist nicht dasselbe wie eine „Diagnose“ von Krebs. Eine Keyword-Suche nach „lung mass“ könnte einen Patienten aus einer Studie mit gesunden Freiwilligen ausschließen oder ihn fälschlich in eine Krebsstudie einschließen. Ontologiegesteuerte Phänotypisierung respektiert die Unterscheidung zwischen einem vermuteten Zustand und einer bestätigten Diagnose. ¹⁶

4. Die Logik des Ausschlusses: Deontisches Schließen in Eignungskriterien

Während SNOMED CT das Was (die medizinischen Konzepte) handhabt, handhabt deontische Logik das Wie (die Regeln des Engagements). Kriterien klinischer Studien sind selten einfache boolesche Aussagen (Präsenz/Absenz). Sie sind komplexe normative Aussagen darüber, was verpflichtend (muss vorliegen), erlaubt (kann vorliegen) oder verboten (darf nicht vorliegen) ist. ²⁴

4.1 Die Komplexität von „es sei denn“: Ausnahmeklauseln parsen

Ein zentraler Fehlerpunkt generischer KI ist die „Ausnahmeklausel“. Studienprotokolle enthalten häufig Ausschlusskriterien, die bedingt sind. Betrachten Sie das folgende Standard-Ausschlusskriterium in Onkologie-Studien:

„Patienten mit Hypertonie ausschließen, es sei denn, sie ist unter stabiler Medikation seit mindestens 3 Monaten gut kontrolliert.“

Ein Keyword-Matcher sieht „hypertension“ und schließt den Patienten aus. Ein Standard-Boolean-Filter könnte „hypertension = TRUE“ sehen und ausschließen. Beides führt zum Verlust eines geeigneten Patienten, der die Erkrankung hat, aber die Kriterien für die Teilnahme erfüllt.

Parsing deontischer Logik: Die KI von Veriprajna parst diesen Satz mit deontischen Operatoren:

●​ Verbot ($F$): Vorliegen von Hypertonie ($H$).

●​ Ausnahme/Erlaubnis ($P$): Hypertonie ($H$) UND kontrolliert ($C$) UND stabil ($S$).

Die logische Formulierung wird zu einer bedingten Funktion:

$$\text{Status}(x) = \begin{cases} \text{Eligible} & \text{if } \neg H(x) \lor (H(x) \wedge C(x) \wedge S(x)) \\ \text{Excluded} & \text{if } H(x) \wedge (\neg C(x) \lor \neg S(x)) \end{cases}$$ Unsere KI parst sodann die zeitlichen Constraints („mindestens 3 Monate“) und den klinischen Status („kontrolliert“, definiert durch BD < 140/90 mmHg oder stabile Medikationshistorie). ²⁶ Sie identifiziert Patienten, die die Erkrankung haben, aber die deontische Erlaubnis zur Teilnahme besitzen.

4.2 Der Umgang mit „Nicht X, es sei denn Y“: Widersprüchliche klinische Zustände

Ein weiteres häufiges Muster betrifft widersprüchliche klinische Zustände oder Vortherapien.

„Patienten dürfen keine vorherige Chemotherapie erhalten haben, es sei denn, es handelte sich um eine neoadjuvante

Therapie, die vor > 6 Monaten abgeschlossen wurde.“

Hier muss die KI gleichzeitig verifizieren:

1.​ Ereignis: Chemotherapie-Gabe (typischerweise ein Ausschluss).

2.​ Kontext (Intention): War sie neoadjuvant? (Erfordert Verständnis der Intention der Therapie).

3.​ Temporal: Endete sie > 6 Monate vor Date_Current?

Wir implementieren dies mittels Temporal Ensemble Logic (TEL), einer spezialisierten Form temporaler Logik, die dem System erlaubt, die Studienzeitlinie zu modellieren und Patientenereignisse in gültige Beobachtungsfenster zu setzen. ²⁸ Das System erzeugt eine Zeitlinie der Patientenhistorie, markiert das Chemotherapie-Ereignis, prüft sein Attribut (neoadjuvant) und misst das Delta $t$ gegen das Referenzdatum. Dieses rigorose logische Parsing rettet geeignete Patienten, die Keyword suchen wegen der bloßen Erwähnung von „chemotherapy“ in ihrer Historie verwerfen.

4.3 Warum „Patienten matchen“ deontische Logik bedeutet

Der Slogan „Schluss mit dem Abgleich von Wörtern. Zeit für den Abgleich von Patienten“ bezieht sich speziell auf diese Fähigkeit. Wir interpretieren den Eignungszustand des Patienten, nicht bloß die Präsenz von Begriffen in seiner Akte. Indem wir die Rechte und Pflichten des Protokolls modellieren (z. B. das Recht zur Teilnahme unter bestimmten Bedingungen), richten wir die KI am ethischen und wissenschaftlichen Intent des Studiendesigns aus. ¹⁴

Dieser Ansatz verwandelt den Rekrutierungsprozess von einer „Such“-Aufgabe — Strings in einer Datenbank finden — in eine „Reasoning“-Aufgabe — den Zustand eines Patienten gegen einen Satz logischer Regeln zu bewerten. Das ist der fundamentale Unterschied zwischen einer Dokumentensuchmaschine und einem klinischen Entscheidungs unterstützungssystem.

5. Architektur einer neuro-symbolischen Engine

Um diese Lösung zu liefern, setzt Veriprajna eine neuro-symbolische KI-Architektur ein. Dies ist kein theoretisches akademisches Konstrukt; es ist eine pragmatische Ingenieursentscheidung, die das Beste zweier KI-Paradigmen kombiniert, um Zuverlässigkeit, Erklärbarkeit und Genauigkeit in einer regulierten Branche zu sichern.

5.1 Der neuro-symbolische Stack

Unsere Architektur folgt einem „Typ-2“- oder „Typ-4“-Modell neuro-symbolischer Integration, bei dem ein neurales System (LLM) als Wahrnehmungsschicht und ein symbolisches System (Wissens graph/Logik-Solver) als Reasoning-Schicht wirkt. ³⁰ Diese Trennung der Belange erlaubt uns, die sprachliche Flexibilität von LLMs zu nutzen und zugleich ihre stochastischen Tendenzen mit starrer Logik zu zügeln.

Schicht 1: Neurale Wahrnehmung (Der Leser)

●​ Funktion: Nimmt unstrukturierte Daten auf (PDFs, handschriftliche Notizen, gescannte Labore, ärztliche Narrative).

●​ Technologie: Transformer-basierte LLMs (z. B. angepasstes GPT-4, Llama 3 oder domänenspezifische BioBERT-Varianten).

●​ Rolle: Das LLM trifft nicht die finale Eignungsentscheidung. Seine einzige Aufgabe ist Entitäts extraktion und Normalisierung . Es liest „pt complains of chest pain“ und identifiziert die Entität Chest pain.

●​ Novum: Wir nutzen „Concept-Aware Decoding“, bei dem das LLM darauf eingeschränkt ist, gültige SNOMED-CT-Vorzugsbegriffe oder IDs auszugeben, wodurch Halluzination an der Quelle reduziert wird. ¹³

Schicht 2: Die semantische Brücke (Der Mapper)

●​ Funktion: Mappt extrahierte Entitäten auf den Enterprise-Wissensgraphen.

●​ Technologie: Vektordatenbanken gekoppelt mit Ontologie-Lookups und Graphdatenbanken (z. B. Neo4j).

●​ Rolle: Wandelt die Textentität Chest pain in die spezifische SCTID: 29857009 um. Sie disambiguiert Begriffe anhand des Kontexts (z. B. Unterscheidung von „Cold“ dem Virus und „Cold“ der Temperatur) mittels Graphstruktur und benachbarter Knoten.

Schicht 3: Symbolisches Schließen (Der Denker)

●​ Funktion: Führt die Eignungslogik gegen den strukturierten Phänotyp aus.

●​ Technologie: Probabilistic Logic Networks (PLN) oder First-Order-Logic-Solver (z. B. Prolog-artige Reasoner), integriert mit dem Wissensgraphen. ³³

●​ Rolle: Diese Schicht wendet die Regeln der deontischen Logik an. Sie prüft die Is-A-Beziehungen in SNOMED (z. B. „Ist CVC ein Subtyp von Cardiac Cath?“). Sie berechnet zeitliche Dauern. Sie ist deterministisch — bei denselben Eingaben gibt sie stets dasselbe Eignungsergebnis aus und liefert die von FDA und EMA geforderte Auditierbarkeit. ¹³

5.2 Der „grüne Bereich“ der Logik

Wie in der neuro-symbolischen Literatur beschrieben, fügen wir ein Logikmodul (oft visualisiert als „grüner Bereich“ in Architekturdiagrammen) in die Verarbeitungsschleife ein. Wenn das System auf eine komplexe Abfrage trifft wie „Ist der Patient gemäß Ausschlusskriterium 4 geeignet?“, halluziniert das LLM keine Antwort. Stattdessen delegiert es die Abfrage an den symbolischen Reasoner. Der Reasoner berechnet die Antwort auf Basis von Fakten und Regeln (z. B. Patient_Has_Hypertension AND Medication_Is_Stable) und gibt das Ergebnis an das LLM zur natürlichsprachlichen Synthese zurück. ³³

Dieser Hybridansatz stellt sicher, dass das „Reasoning“ mathematisch fundiert ist, während die „Schnittstelle“ gesprächig und für Kliniker zugänglich bleibt.

Tabelle 2: Vergleich von KI-Ansätzen für klinische Studien

Merkmal	Standard-LLM (Wrapper API)	Neuro-symbolische KI (Veriprajna)
Datenverarbeitung	Probabilistische Token vorhersage	Deterministische Logik + neurale Extraktion
Unbekannte Begriffe	Halluziniert oder verfehlt	Kennzeichnung zur menschlichen Prüfung (Intransparent vs. transparent)
Reasoning	Oberflächliche Korrelationen	Multi-Hop-Reasoning über Wissensgraph
Erklärbarkeit	„Black Box“ (kann die Quellenlogik nicht zitieren)	Vollständig auditierbarer Trace (Logik beweise)
Genauigkeit	~63-87% (variabel)	>95% (nahezu menschlich oder übermenschlich)13
Datenschutz	Hohes Risiko von Datenlecks	Logik verarbeitet lokal/sicher

Vergleich fundiert in Leistungsmetriken aktueller Studien zur Bewertung von KI im Gesundheitswesen. ²

6. Knowledge Graph RAG (GraphRAG): Die Kontext Engine

Um die neuro-symbolische Architektur zu stützen, nutzt Veriprajna Graph Retrieval-Augmented Generation (GraphRAG) . Während traditionelles RAG Dokumenten-Chunks auf Basis von Vektor ähnlichkeit abruft, ruft GraphRAG Informationen auf Basis von Beziehungen ab und ermöglicht dem System, „die Punkte zu verbinden“ über die gesamte Patientenakte und externes medizinisches Wissen hinweg. ³⁵

6.1 Warum Vektoren nicht ausreichen

In einem Standard-Vector-RAG-System, wenn ein Forscher nach „Nebenwirkungen von Drug A“ sucht, ruft das System Dokumenten-Chunks ab, die den String „Drug A“ enthalten. Klinische Studien protokolle schließen Patienten jedoch oft anhand von Wirkstoffklassen oder Wirkmechanismen aus.

Beispiel: Ein Studienprotokoll schließt „Any drug interacting with CYP3A4 enzymes“ aus. Ein Patient nimmt „Drug B“.

●​ Vector-RAG-Versagen: Wenn die EHR des Patienten „Drug B“ erwähnt, aber nicht explizit angibt, „Drug B is a CYP3A4 inhibitor“, kann eine Vektorsuche den relevanten Kontext verfehlen. Der Patient könnte fälschlich eingeschlossen werden.

●​ GraphRAG-Lösung: Der Wissensgraph enthält das Triple: (Drug B) --[inhibits]--> (CYP3A4). Beim Prüfen der Ausschlusskriterien traversiert GraphRAG den Graphen. Es identifiziert Drug B als verbotene Substanz, auch wenn der Text das nicht explizit sagt . ³²

Diese Fähigkeit ist essenziell für moderne „Umbrella“- oder „Basket“-Studien, die auf komplexen Biomarker- und pharmakologischen Interaktionen beruhen. GraphRAG erlaubt dem System, Multi-Hop-Retrieval durchzuführen, von Patient -> Drug -> Mechanism -> Exclusion Criteria zu traversieren, und sicherzustellen, dass kein verborgenes Ausschlussfaktum übersehen wird.

6.2 Das „Second Brain“ für Pharma

Diese Architektur macht die Rekrutierungsplattform zu einem „Second Brain“ für Forscher. ³⁸ Sie erlaubt komplexe natürlichsprachliche Abfragen, die Reasoning über die Datenstruktur erfordern, etwa: „Finde Patienten mit einer Vorgeschichte von Kardiomyopathie, die jedoch keine Anthracycline erhalten haben.“

Das System versteht über den Graphen, dass „Doxorubicin“ is-an Anthracyclin ist. Es kann korrekt Patienten ausschließen, die Doxorubicin nahmen — Sicherheit und Protokolleinhaltung gewährleistend —, während es Patienten einschließt, die andere, nicht-anthracycline Wirkstoffe nahmen. Dieses Niveau semantischer Interoperabilität erlaubt dynamischen Kohortenaufbau und Machbarkeitsanalysen, die die Fähigkeiten traditioneller Query-Builder weit übersteigen.

7. Implementierungsstrategie: Von der Theorie zum Enterprise

Veriprajna bietet keine einfache „Plug-and-Play“-API, sondern eine tiefe Integrationsstrategie. Die Implementierung ontologiegesteuerter Phänotypisierung erfordert eine bewusste Transformation der Daten infrastruktur, damit die KI mit hochwertigen, strukturierten Daten gespeist wird und ihre Ausgaben in den klinischen Workflow integriert werden.

7.1 Integration mit CDISC und FHIR

Unser System ist darauf ausgelegt, mit den bestehenden klinischen Datenstandards zu interoperieren, die das Rückgrat der pharmazeutischen Industrie bilden.

●​ Eingabe: Wir ingestieren Daten über HL7 FHIR (Fast Healthcare Interoperability Resources) Ressourcen. Wir parsen Patient-, Condition-, Procedure- und MedicationAdministration- Ressourcen, um den Wissensgraphen zu befüllen.

●​ Ausgabe: Wir mappen Phänotypen direkt auf CDISC SDTM (Study Data Tabulation Model) Standards, speziell die Domäne IE (Inclusion/Exclusion) . ³⁹ Das bedeutet, dass die von unserem System erzeugten Rekrutierungsdaten nicht bloß eine Namensliste sind; es sind strukturierte regulatorische Daten, ab Tag 1 bereit für Einreichung und Analyse. Das reduziert die Last der Datenbereinigung und Abstimmung downstream.

7.2 Der Human-in-the-Loop-Workflow (HITL)

Wir befürworten Augmented Intelligence, nicht volle Automatisierung. Das Ziel ist, den Experten- Kliniker zu skalieren, nicht ihn zu ersetzen. Die neuro-symbolische Ausgabe umfasst einen „Confidence Score“ und einen „Reasoning Trace“ für jede Entscheidung.

●​ Hohe Konfidenz (deterministisch): Ist die Logik klar und die Daten eindeutig (z. B. spezifischer SCTID-Match), kann das System automatisch matchen oder ausschließen.

●​ Niedrige Konfidenz (mehrdeutiger Text): Ist die Logik unscharf oder der Text unklar (z. B. „possible history of...“), kennzeichnet das System den Fall zur menschlichen Prüfung. Entscheidend hebt es die spezifischen Kriterien und den relevanten Textausschnitt hervor, der die Mehrdeutigkeit verursachte. Diese „vorgekaute“ Sicht reduziert die Zeit, die ein Kliniker für die Aktenprüfung braucht, um bis zu 40%. ²

7.3 Datenschutz und Governance

Durch Nutzung einer modularen neuro-symbolischen Architektur adressiert Veriprajna das vorrangige Anliegen des Datenschutzes. Wir können Patientendaten innerhalb der sicheren Firewall des Krankenhauses halten (die „symbolische“ Schicht und der Graph). Die „neurale“ Schicht (LLM) kann als lokales, Open-Source-Modell (z. B. Llama 3, feingetunt für medizinische Extraktion) innerhalb der sicheren Enklave deployed werden oder nur für de-identifizierte Textverarbeitung genutzt werden. ⁴⁰ Dies stellt sicher, dass Protected Health Information (PHI) niemals öffentlichen APIs ausgesetzt oder zum Training externer Modelle genutzt wird, und sichert die Compliance mit DSGVO, HIPAA und institutionellen Governance-Richtlinien.

8. Schluss: Schluss mit dem Abgleich von Wörtern, Zeit für den Abgleich von Patienten

Der Engpass in der Wirkstoffentdeckung ist nicht länger die Wissenschaft; es ist die Syntax. Wir versuchen, die Komplexitäten der Humanbiologie und klinischer Studienprotokolle mit Werkzeugen zu navigieren, die für die Dokumentensuche entworfen wurden. Dieses Missverhältnis führt zu Milliarden Dollar an entgangenem Wert, ineffizienten Studien operationen und — am wichtigsten — verzögerter Hoffnung für Patienten, die auf neue Therapien warten.

Der Fehler „Central Venous Puncture“ vs. „Cardiac Catheterization“ ist kein Glitch; er ist ein Symptom semantischer Blindheit. Durch die Annahme ontologiegesteuerter Phänotypisierung, fundiert in SNOMED CT, gesteuert durch deontische Logik und angetrieben von neuro-symbolischer KI, können wir diese Blindheit heilen.

Veriprajna bietet einen Weg weg von der Fragilität der Wahrscheinlichkeit hin zur Robustheit der Logik. Wir befähigen pharmazeutische Unternehmen, die richtigen Patienten für die richtigen Studien zur richtigen Zeit zu finden — nicht durch Raten, sondern durch Reasoning.

#Pharma #ClinicalTrials #HealthTech #AI #DrugDiscovery #NeuroSymbolicAI #SNOMEDCT

Zentrale Erkenntnisse für das Enterprise

●​ Finanzieller Impact: Die Beseitigung von Rekrutierungsverzögerungen kann $800,000+ pro Tag an entgangenen Opportunitätskosten für hochwertige Assets sparen.

●​ Technische Überlegenheit: Neuro-symbolische KI erzeugt auditierbare, deterministische Reasoning- Pfade, die generische LLMs nicht liefern können — essenziell für regulatorische Compliance.

●​ Semantische Präzision: Die SNOMED-CT-Integration verhindert falsche Ausschlüsse, indem sie medizinische Hierarchien (Is-A-Beziehungen) versteht und zwischen verschiedenen Verfahren unterscheidet.

●​ Logische Strenge: Deontische Logik parst korrekt komplexe „es sei denn“- und „außer“-Klauseln in Studienprotokollen und rettet geeignete Patienten, die boolesche Logik verwirft.

●​ Strategischer Vorteil: GraphRAG ermöglicht „Second-Brain“-Fähigkeiten, verbindet Patientendaten mit breiteren pharmakologischen Wissensgraphen für überlegenes Matching und Multi-Hop-Reasoning.

Über Veriprajna

Veriprajna ist eine spezialisierte KI-Softwareberatung, die den härtesten Problemen in der Biopharma durch Deep-AI-Lösungen gewidmet ist. Wir gehen über Wrapper-APIs hinaus, um neuro-symbolische Architekturen zu bauen, die die Sprache der Medizin verstehen.

Quellen

1. AI Innovations in Clinical Trials: Speeding Drug Development - IntuitionLabs, abgerufen am 10. Dezember 2025, https://intuitionlabs.ai/pdfs/ai-innovations-in-clinical-trials-speeding-drug-development.pdf

2. AI model matches patients to trials almost as ... - Fierce Biotech, abgerufen am 10. Dezember 2025, https://www.fiercebiotech.com/cro/ai-model-matches-patients-clinical-trials-fast-human-only-slight-dip-accuracy

3. What clinical trial statistics tell us about the state of research today - Antidote.me, abgerufen am 10. Dezember 2025, https://www.antidote.me/blog/what-clinical-trial-statistics-tell-us-about-the-state-of-research-today

4. Quantifying the Value of a Day of Delay in Drug Development | Tufts CSDD | White Papers, abgerufen am 10. Dezember 2025, https://csdd.tufs.edu/sites/default/ft iles/2025-02/Aug2024%20Day%20of%20Dela y%20White%20Paper%20Final.pdf?1763577702

5. The Cost of Delay: Quantifying the Financial Impact of Inefficient Clinical Trial Start-Up - Blog, abgerufen am 10. Dezember 2025, https://blog.td2inc.com/quantifying-the-financial-impact-of-inefficient-clinical-trial-start-up

6. How to Avoid Costly Clinical Research Delays - MESM Ltd, abgerufen am 10. Dezember 2025, https://www.mesm.com/blog/tips-to-help-you-avoid-costly-clinical-research-delays/

7. AI's Symbiotic Impact on Drug Development and Patient Experience in Global Pharma and Biotech - Eglobalis, abgerufen am 10. Dezember 2025, https://www.eglobalis.com/ais-symbiotic-impact-on-drug-development-and-patient-experience-in-global-pharma-and-biotech/

8. Why Time Is The Most Expensive Resource In Clinical Trials—And How To Make Every Second Count - Leapcure, abgerufen am 10. Dezember 2025, https://blog.leapcure.com/why-time-is-the-most-expensive-resource-in-clinical-trials-and-how-to-make-every-second-count/

9. 2020 AHA/ACC Key Data Elements and Definitions for Coronary Revascularization: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Data Standards (Writing Committee to Develop Clinical Data Standards for Coronary Revascularization) | Circulation: Cardiovascular Quality and Outcomes - American Heart Association Journals, abgerufen am 10. Dezember 2025, https://www.ahajournals.org/doi/10.1161/HCQ.0000000000000059

10. coronary artery disease - efo - EMBL-EBI, abgerufen am 10. Dezember 2025, https://www.ebi.ac.uk/efo/EFO_0001645

11. Femoral Vein Morphometry in Children - Clinics in Surgery, abgerufen am 10. Dezember 2025, https://www.clinicsinsurgery.com/open-access/femoral-vein-morphometry-in-children-9466.pdf

12. Clinical validation of the diagnosis adverse location of peripherally inserted central catheter in neonatology - ResearchGate, abgerufen am 10. Dezember 2025, https://www.researchgate.net/publication/394290075_Clinical_validation_of_the_diagnosis_adverse_location_of_peripherally_inserted_central_catheter_in_neonatology

13. Neuro-symbolic AI for auditable cognitive information extraction from medical reports - PMC, abgerufen am 10. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12638795/

14. Ethics in Digital Health: a deontic accountability framework - ResearchGate, abgerufen am 10. Dezember 2025, https://www.researchgate.net/profile/Zoran-Milosevic-3/publication/338253522_Ethics_in_Digital_Health_A_Deontic_Accountability_Framework/links/60684b5c299bf1252e24e182/Ethics-in-Digital-Health-A-Deontic-Accountability-Framework.pdf

15. UNIVERSIDADE FEDERAL DE MINAS GERAIS ESCOLA DE CIÊNCIA DA INFORMAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM GESTÃO & ORGANIZAÇ ResearchGate, abgerufen am 10. Dezember 2025, https://www.researchgate.net/profile/Jeanne-Emygdio/publication/361670001_INTEROPERABILIDADE_SEMANTICA_ORIENTADA_POR_ONTOLOGIA_PARA_A_CIENCIA_DA_INFORMACAO_a_metodologia_Onto4All-Interoperability_como_resultado_de_estudo_de_caso_no_dominio_de_energia/links/62bf12083d26d6389e899f87/INTEROPERABILIDADE-SEMANTICA-ORIENTADA-POR-ONTOLOGIA-PARA-A-CIENCIA-DA-INFORMACAO-a-metodologia-Onto4All-Interoperability-como-resultado-de-estudo-de-caso-no-dominio-de-energia.pdf

16. cohort identification from free-text clinical notes using - Carolina Digital Repository, abgerufen am 10. Dezember 2025, https://cdr.lib.unc.edu/downloads/9p290k671

17. Aligning an administrative procedure coding system with SNOMED CT open.trinetx, abgerufen am 10. Dezember 2025, https://open.trinetx.com/wp-content/uploads/sites/2/2020/06/OPS-SNOMED-FINAL1.pdf

18. 37.22 Left heart cardiac cath - ICD-9-CM Vol. 3 Procedure Codes, abgerufen am 10. Dezember 2025, https://www.findacode.com/icd-9/37-22-left-heart-cardiac-catheterization-icd-9-procedure-code.html

19. 392230005 - Browse Code Systems - NIH, abgerufen am 10. Dezember 2025, https://vsac.nlm.nih.gov/context/cs/codesystem/SNOMEDCT/version/2020-03/code/392230005/info

20. coronary artery disease [EFO:0001645](Polygenic Trait) - PGS Catalog, abgerufen am 10. Dezember 2025, https://www.pgscatalog.org/trait/EFO_0001645/

21. Coronary artery disorder (Concept Id: C1956346) - NCBI, abgerufen am 10. Dezember 2025, https://www.ncbi.nlm.nih.gov/medgen/365486

22. The CORE Problem List Subset of SNOMED CT - National Library of Medicine, abgerufen am 10. Dezember 2025, https://www.nlm.nih.gov/research/umls/Snomed/core_subset.html

23. Fundamentals of Clinical Data Science - OAPEN Library, abgerufen am 10. Dezember 2025, https://library.oapen.org/bitstream/handle/20.500.12657/22918/1007243.pdf

24. Deontic Logic - Stanford Encyclopedia of Philosophy, abgerufen am 10. Dezember 2025, https://plato.stanford.edu/entries/logic-deontic/

25. Ten Philosophical Problems in Deontic Logic - ICR, abgerufen am 10. Dezember 2025, https://icr.uni.lu/leonvandertorre/papers/normas07b.pdf

26. NCT03574363 | Phase 2b Study of KBP-5074 in Subjects With Uncontrolled Hypertension and Advanced Chronic Kidney Disease | ClinicalTrials.gov, abgerufen am 10. Dezember 2025, https://clinicaltrials.gov/study/NCT03574363

27. Characteristics of Populations Excluded From Clinical Trials Supporting Intensive Blood Pressure Control Guidelines - NIH, abgerufen am 10. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8174340/

28. Temporal Ensemble Logic for Integrative Representation of the Entirety of Clinical Trials - DROPS, abgerufen am 10. Dezember 2025, https://drops.dagstuhl.de/storage/00lipics/lipics-vol355-time2025/LIPIcs.TIME.2025.13/LIPIcs.TIME.2025.13.pdf

29. Excluding People With Disabilities From Clinical Research: Eligibility Criteria Lack Clarity And Justification | Health Affairs, abgerufen am 10. Dezember 2025, https://www.healthafairs.org/doi/10.1377/hlthaff .2022.00520f

30. Type 4 neuro-symbolic AI system with explicit mapping. This figure... ResearchGate, abgerufen am 10. Dezember 2025, https://www.researchgate.net/figure/Type-4-neuro-symbolic-AI-system-with-explicit-mapping-This-figure-shows-a-structure_fig11_381230747

31. The Emerging Field of Neuro-Symbolic AI: An Introduction - Ultralytics, abgerufen am 10. Dezember 2025, https://www.ultralytics.com/blog/an-introduction-to-the-emerging-field-of-neuro-symbolic-ai

32. Understanding GraphRAG: How Does It Compare with RAG? - Charter Global, abgerufen am 10. Dezember 2025, https://www.charterglobal.com/what-is-graphrag/

33. Avoiding LLM Hallucinations: Neuro-symbolic AI and other Hybrid AI approaches, abgerufen am 10. Dezember 2025, https://www.cotacapital.com/knowledge-base/avoiding-llm-hallucinations-neuro-symbolic-ai-and-other-hybrid-ai-approaches/

34. Explainable Diagnosis Prediction through Neuro-Symbolic Integration - PMC NIH, abgerufen am 10. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12150699/

35. Graph RAG: Frameworks, Tools & Use Cases Explained - Chitika, abgerufen am 10. Dezember 2025, https://www.chitika.com/graph-based-retrieval-augmented-generation/

36. What Is GraphRAG? - Neo4j, abgerufen am 10. Dezember 2025, https://neo4j.com/blog/genai/what-is-graphrag/

37. GraphRAG: Practical Guide to Supercharge RAG with Knowledge Graphs LearnOpenCV, abgerufen am 10. Dezember 2025, https://learnopencv.com/graphrag-explained-knowledge-graphs-medical/

38. Pharma Knowledge Management: Building a "Second Brain" with AI | IntuitionLabs, abgerufen am 10. Dezember 2025, https://intuitionlabs.ai/articles/pharma-knowledge-management-second-brain

39. CDASHIG v2.0 - CDISC, abgerufen am 10. Dezember 2025, https://www.cdisc.org/standards/foundational/cdash/cdashig-v2-0

40. Am I eligible? Natural Language Inference for Clinical Trial Patient Recruitment: the Patient's Point of View - arXiv, abgerufen am 10. Dezember 2025, https://arxiv.org/html/2503.15718v1