EUVIMEDEUVIMED entdecken
Crossref

Using Artificial Intelligence in Qualitative Lupus Pregnancy Research: The Potential of Large Language Models and Prompting Strategies

Einsatz von künstlicher Intelligenz in der qualitativen Lupus-Schwangerschaftsforschung: Potenzial großer Sprachmodelle und Prompting-Strategien

Julia Romina M Boers, Grace Terry, Larissa Rodrigues, Fernanda Surita, Jainesh Doshi, Bella Mehta iD

Arthritis Care & Research · 03.11.2026

DOI: 10.1002/acr.80193 ↗

Auf einen Blick

26 qualitative Interviews zu Schwangerschaftserfahrungen von Frauen mit SLE wurden mit 4 großen Sprachmodellen analysiert. Die von den Modellen erzeugten Themen stimmten eng mit denen von Menschen überein; Few-shot schnitt am besten ab.

Fragestellung

Wie gut können verschiedene große Sprachmodelle Interviews zu Schwangerschaftserfahrungen bei Frauen mit SLE übersetzen und analysieren, und wie stimmen ihre Themen mit denen menschlicher Forschender überein?

Methode

Analyse von 26 semistrukturierten Interviews in Portugiesisch; 3 Prompting-Strategien auf 4 LLMs; Bewertung mit einem LLM-as-a-judge-Framework.

Ergebnisse

Über alle Modelle und Prompting-Strategien erzeugten die LLMs ähnliche Themen mit hoher thematischer Einheit und semantischer Ähnlichkeit. Claude Sonnet 4.5 zeigte die konsistenteste Leistung; Few-shot war durchgehend überlegen.

Schlussfolgerung der Autor:innen

LLMs erscheinen als unterstützende Werkzeuge für die Analyse qualitativer Forschung, da sie thematische Kohärenz erhalten und die Komplexität der Schwangerschaftserfahrungen bei Frauen mit SLE erfassen können. Few-shot erzielte die umfassendste und kohärenteste Themenerfassung.

Kernaussagen

  • LLMs lieferten Themen, die eng mit menschlicher Auswertung übereinstimmten.
  • Few-shot übertraf Zero-shot und Chain-of-thought.
  • LLM-gestützte Analyse könnte qualitative Auswertung ergänzen.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Arthritis Care & Research, online erschienen am 03.11.2026. Verfasst von Julia Romina M Boers und 5 weiteren Autor:innen. Beteiligte Einrichtung: Weill Medical College, New York, New York. Die Arbeit nennt 29 Literaturangaben. Gefördert von: NIH HHS, National Institutes of Health.

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objective

Our objective was to evaluate the ability of different large language models (LLMs) to translate and analyze qualitative interviews describing pregnancy experiences among women with systemic lupus erythematosus (SLE). An additional objective was to compare themes identified by LLMs with those identified by human researchers.

Methods

We analyzed 26 semistructured interviews originally conducted in Portuguese by Rodrigues et al among women with SLE exploring their perinatal care experiences. Three prompting strategies (zero‐shot, few‐shot, and chain‐of‐thought) were used on the transcripts across four state‐of‐the‐art LLMs (GPT‐4o, OpenAI; Claude Sonnet 4.5, Anthropic; Gemini 2.5 Flash, Google; and DeepSeek R, DeepSeek) to generate key themes. Model outputs were evaluated using an LLM‐as‐a‐judge framework assessing thematic coverage, thematic unity, and semantic similarity.

Results

Across models and prompting strategies, LLMs generated similar themes that closely aligned with those identified by human researchers. LLM‐as‐a‐judge evaluations demonstrated high thematic unity and semantic similarity. Claude Sonnet 4.5 showed the most consistent performance. Few‐shot prompting consistently outperformed zero‐shot and chain‐of‐thought approaches.

Conclusion

LLMs show promise as supportive tools for analyzing qualitative research by preserving thematic coherence and capturing the complexity of pregnancy experiences in women with SLE. Although zero‐shot prompting is widely used, it produced lower thematic results in our study, whereas few‐shot prompting achieved the most comprehensive and coherent theme extraction. LLM‐assisted qualitative analysis may complement human interpretation and has the potential to support the inclusion of non–English language data and diverse patient perspectives in lupus research. image

Autor:innen und Institutionen

  • Weill Medical College, New York, New York.
  • Amsterdam UMC location Vrije Universiteit Amsterdam, Amsterdam, the Netherlands.
  • Amsterdam Reproduction and Development Research Institute, Amsterdam, the Netherlands.
  • Hunter College, New York, New York.
  • CUNY Graduate Center, New York, New York.
  • Universidade Estadual de Campinas/UNICAMP, Campinas, Brazil.

ORCID-Profile: Bella Mehta

Förderung

  • NIH HHS
  • National Institutes of Health

Zitieren

APA

Boers, J. R. M., Terry, G., Rodrigues, L., Surita, F., Doshi, J., & Mehta, B. (2026). Using Artificial Intelligence in Qualitative Lupus Pregnancy Research: The Potential of Large Language Models and Prompting Strategies. Arthritis Care & Research. https://doi.org/10.1002/acr.80193

Vancouver

Boers JRM, Terry G, Rodrigues L, Surita F, Doshi J, Mehta B. Using Artificial Intelligence in Qualitative Lupus Pregnancy Research: The Potential of Large Language Models and Prompting Strategies. Arthritis Care & Research. 2026. doi:10.1002/acr.80193

BibTeX
@article{Boers2026,
  author = {Boers, Julia Romina M and Terry, Grace and Rodrigues, Larissa and Surita, Fernanda and Doshi, Jainesh and Mehta, Bella},
  title = {Using Artificial Intelligence in Qualitative Lupus Pregnancy Research: The Potential of Large Language Models and Prompting Strategies},
  journal = {Arthritis Care & Research},
  year = {2026},
  doi = {10.1002/acr.80193}
}
Kostenlos starten →