Enhancing Patient Understanding of Perianal Fistula MRI Findings Using ChatGPT: A Randomized, Single Centre Study
Verbesserung des Patientenverständnisses von MRT-Befunden bei Perianalfisteln mit ChatGPT: randomisierte Single-Center-Studie
Diagnostics · 25.12.2025 · 16 (1) · 72
DOI: 10.3390/diagnostics16010072 ↗Auf einen Blick
GPT-4o-gestützte KI-Zusammenfassungen waren für Patient:innen besser lesbar und verständlicher als Originalberichte. Gleichzeitig traten Halluzinationen und unprüfbare Empfehlungen auf.
Fragestellung
Verbessert GPT-4o die Verständlichkeit, Sicherheit und Akzeptanz patientenfreundlicher Zusammenfassungen von MRT-Berichten zu Perianalfisteln?
Methode
Drei-Phasen-Studie an einem Zentrum; Phase II mit 250 MRT-Fistelberichten, Phase III randomisiertem Vergleich von Originalbericht und KI-Zusammenfassung durch Patient:innen.
Ergebnisse
Phase II: Halluzinationen in 11 % der Outputs. Phase III: 61 Patient:innen bewerteten die Zusammenfassungen; KI-Summaries erzielten höhere Werte für Lesbarkeit, Verständnis und Nützlichkeit (alle p < 0,001) bei gleicher Vertrauensbewertung.
Einschränkungen
Halluzinationen und uneinheitliche Terminologie; unprüfbare Empfehlungen; Bedarf an strukturierter Aufsicht und klinischer Validierung.
Schlussfolgerung der Autor:innen
LLMs können die Lesbarkeit und das Patientenverständnis komplexer MRT-Berichte verbessern, sind aber durch Halluzinationen und uneinheitliche Terminologie begrenzt.
Kernaussagen
- KI-Zusammenfassungen waren lesbarer als Originalberichte
- Verständnis und Nützlichkeit wurden höher bewertet
- Halluzinationen traten in 11 % der Outputs auf
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 Diagnostics, online erschienen am 25.12.2025. Verfasst von Easan Anand und 13 weiteren Autor:innen. Beteiligte Einrichtung: Robin Phillips' Fistula Research Unit, St Mark's The National Bowel Hospital, London NW10 7NS, UK. Die Arbeit wurde bisher 4-mal zitiert (Crossref) und nennt 51 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Imperial College London.
Abstract (Originalsprache)
Background/Objectives: Large Language Models (LLMs) may help translate complex Magnetic Resonance Imaging (MRI) fistula reports into accessible, patient-friendly summaries. This study evaluated the clinical utility, safety, and patient acceptability of Generative Pre-trained Transformer (GPT-4o) in generating such reports.
Methods
A three-phase study was conducted at a single centre. Phase I involved prompt engineering and pilot testing of GPT-4o outputs for feasibility. Phase II assessed 250 consecutive MRI fistula reports from September 2024 to November 2024, each reviewed by a multi-disciplinary panel to determine hallucinations and thematic content. Phase III randomised patients to review either a simple or complex fistula case, each containing an original report and an Artificial Intelligence (AI)-generated summary (order randomised, origin blinded), and rate readability, trustworthiness, usefulness and comprehension.
Results
Sixteen patients participated in Phase I pilot testing. In Phase II, hallucinations occurred in 11% of outputs, with unverified recommendations also identified. In Phase III, 61 patients (mean age 48, 41% female) evaluated paired original and AI-generated summaries. AI summaries scored significantly higher for readability, comprehension, and usefulness than original reports (all p < 0.001), with equivalent trust ratings. Mean Flesch-Kincaid scores were markedly higher for AI-generated summaries (66 vs. 26; p < 0.001). Clinicians highlighted improved anatomical structuring and accessible language, but emphasised risks of inaccuracies. A revised template incorporating Multi-Disciplinary Team (MDT)-focused action points and a lay summary section was co-developed.
Conclusions
LLMs can enhance the readability and patient understanding of complex MRI reports but remain limited by hallucinations and inconsistent terminology. Safe implementation requires structured oversight, domain-specific refinement, and clinician validation. Future development should prioritise standardised reporting templates incorporating clinician-approved lay summaries.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Robin Phillips' Fistula Research Unit, St Mark's The National Bowel Hospital, London NW10 7NS, UK.
- Department of Surgery & Cancer, Imperial College London, London SW7 2AZ, UK.
- Tenrec Analytics, St Albans AL1 4TJ, UK.
- Institute of Health Informatics, University College London, London WC1E 6BT, UK.
- St Mark's The National Bowel Hospital, London NW10 7NS, UK.
ORCID-Profile: Easan Anand, Gita Lingam, Chris Tomlinson, Kapil Sahnan
Förderung
- Imperial College London
Zitieren
APA
Anand, E., Ghersin, I., Lingam, G., Devlin, K., Pelly, T., Singer, D., Tomlinson, C., Munro, R. E. J., Capstick, R., Antoniou, A., Hart, A. L., Tozer, P., Sahnan, K., & Lung, P. (2025). Enhancing Patient Understanding of Perianal Fistula MRI Findings Using ChatGPT: A Randomized, Single Centre Study. Diagnostics, 16(1), 72. https://doi.org/10.3390/diagnostics16010072
Vancouver
Anand E, Ghersin I, Lingam G, Devlin K, Pelly T, Singer D, et al. Enhancing Patient Understanding of Perianal Fistula MRI Findings Using ChatGPT: A Randomized, Single Centre Study. Diagnostics. 2025;16(1):72. doi:10.3390/diagnostics16010072
BibTeX
@article{Anand2025,
author = {Anand, Easan and Ghersin, Itai and Lingam, Gita and Devlin, Katie and Pelly, Theo and Singer, Daniel and Tomlinson, Chris and Munro, Robin E J and Capstick, Rachel and Antoniou, Anna and Hart, Ailsa L and Tozer, Phil and Sahnan, Kapil and Lung, Phillip},
title = {Enhancing Patient Understanding of Perianal Fistula MRI Findings Using ChatGPT: A Randomized, Single Centre Study},
journal = {Diagnostics},
year = {2025},
volume = {16},
number = {1},
pages = {72},
doi = {10.3390/diagnostics16010072}
}
EUVIMED