EUVIMEDEUVIMED entdecken
Übersichtsarbeit

Using Generative Artificial Intelligence for Healthcare-Associated Infection Surveillance

Einsatz generativer künstlicher Intelligenz für die Überwachung von gesundheitsassoziierten Infektionen

Daniel J Morgan iD, Katherine E Goodman iD, Westyn Branch-Elliman iD, Erica S Shenoy, Jorge L Salinas iD, Makoto Jones, Sunny P Singh, Gregory M Schrank iD, Lisa Pineles iD, Shatha AlShanqeeti iD, Anthony D Harris iD, Eili Klein iD

Clinical Infectious Diseases · 17.03.2026 · 82 (3) · 473-479

DOI: 10.1093/cid/ciaf619 ↗

Auf einen Blick

Der Artikel fasst Evidenz zum Einsatz von GenAI in der HAI-Überwachung zusammen. Kleine Studien fanden eine Genauigkeit für HAI-Bewertungen ähnlich der von menschlichen Expert:innen.

Fragestellung

Welche Evidenz gibt es für den Einsatz von GenAI zur Überwachung gesundheitsassoziierter Infektionen?

Methode

Übersichtsartikel zu Evidenz und Praxisänderungen bei GenAI für HAI-Surveillance.

Ergebnisse

Kleine Studien mit simulierten Patient:innen und retrospektiven Patientendaten zeigten, dass GenAI einzelne HAI-Kriterien isolieren und HAI-Bewertungen mit ähnlicher Genauigkeit wie menschliche Expert:innen durchführen kann. Tools werden zur HAI-Erkennung entwickelt.

Einschränkungen

Widespread adoption erfordert sichere und wirksame prospektive klinische Studien.

Schlussfolgerung der Autor:innen

GenAI könnte die Variabilität zwischen Einrichtungen verringern, die Effizienz der HAI-Überprüfung verbessern und mehr Zeit für direkte Präventionsarbeit schaffen.

Kernaussagen

  • GenAI eignet sich für die HAI-Surveillance auf Basis klinischer Notizen.
  • Kleine Studien fanden eine ähnliche Genauigkeit wie menschliche Expert:innen.
  • Für die breite Anwendung sind prospektive klinische Studien nötig.

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

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Clinical Infectious Diseases, online erschienen am 12.11.2025. Verfasst von Daniel J Morgan und 11 weiteren Autor:innen. Beteiligte Einrichtung: Department of Epidemiology and Public Health, University of Maryland School of Medicine, Baltimore, Maryland, USA. Hauptthemen laut MEDLINE: Artificial Intelligence, Cross Infection, Epidemiological Monitoring. Die Arbeit wurde bisher 6-mal zitiert (Crossref) und nennt 42 Literaturangaben.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Generative artificial intelligence (GenAI) is becoming widespread in society but has had limited impact on medicine. GenAI can rapidly digest large documents, making it particularly well suited for healthcare-associated infection (HAI) surveillance that is largely based on clinical notes. In this article, we review evidence on the application of GenAI for HAI surveillance and highlight the necessary steps for changes to practice. Small studies of simulated patients and retrospective studies of patient records have found GenAI can isolate individual criteria for HAI and make HAI determinations with accuracy similar to that of human experts. GenAI tools are being developed to assist in HAI detection. Use of GenAI for HAI review could reduce variability between facilities, improve efficiency of HAI review. and lead to more time for direct prevention work. For widespread adoption, GenAI HAI detection must be safe and effective in prospective clinical studies.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Artificial IntelligenceCross InfectionEpidemiological MonitoringHumansGenerative Artificial Intelligence

Stichwörter der Autor:innen

artificial intelligenceinfectionsurveillance

Autor:innen und Institutionen

  • Department of Epidemiology and Public Health, University of Maryland School of Medicine, Baltimore, Maryland, USA.
  • Medical Care Center, VA Maryland Health Care System, Baltimore, Maryland, USA.
  • Institute for Healthcare Computing, University of Maryland, North Bethesda, Maryland, USA.
  • Center for the Study of Healthcare Innovation, Implementation, and Policy, Greater Los Angeles VA Healthcare System, Los Angeles, California, USA.
  • Department of Medicine, UCLA David Geffen School of Medicine, Los Angeles, California, USA.
  • Infection Control, Mass General Brigham, Boston, Massachusetts, USA.

ORCID-Profile: Daniel J Morgan, Katherine E Goodman, Westyn Branch-Elliman, Jorge L Salinas, Gregory M Schrank, Lisa Pineles, Shatha AlShanqeeti, Anthony D Harris, Eili Klein

Zitieren

APA

Morgan, D. J., Goodman, K. E., Branch-Elliman, W., Shenoy, E. S., Salinas, J. L., Jones, M., Singh, S. P., Schrank, G. M., Pineles, L., AlShanqeeti, S., Harris, A. D., & Klein, E. (2026). Using Generative Artificial Intelligence for Healthcare-Associated Infection Surveillance. Clinical Infectious Diseases, 82(3), 473-479. https://doi.org/10.1093/cid/ciaf619

Vancouver

Morgan DJ, Goodman KE, Branch-Elliman W, Shenoy ES, Salinas JL, Jones M, et al. Using Generative Artificial Intelligence for Healthcare-Associated Infection Surveillance. Clinical Infectious Diseases. 2026;82(3):473-479. doi:10.1093/cid/ciaf619

BibTeX
@article{Morgan2026,
  author = {Morgan, Daniel J and Goodman, Katherine E and Branch-Elliman, Westyn and Shenoy, Erica S and Salinas, Jorge L and Jones, Makoto and Singh, Sunny P and Schrank, Gregory M and Pineles, Lisa and AlShanqeeti, Shatha and Harris, Anthony D and Klein, Eili},
  title = {Using Generative Artificial Intelligence for Healthcare-Associated Infection Surveillance},
  journal = {Clinical Infectious Diseases},
  year = {2026},
  volume = {82},
  number = {3},
  pages = {473--479},
  doi = {10.1093/cid/ciaf619}
}
Kostenlos starten →