In diesem Projekt wird ein innovatives, hybrides Entscheidungsunterstützungssystem für multidisziplinäre Tumorboards in der Onkologie entwickelt und validiert. Ziel ist es, Methoden des maschinellen Lernens (ML), große Sprachmodelle (LLMs) und regelbasierte Systeme erstmals systematisch zu kombinieren, um die Qualität und Effizienz onkologischer Therapieentscheidungen signifikant zu verbessern. Hierbei werden unstrukturierte klinische Freitexte mittels LLM-gestütztem Natural Language Processing (NLP) automatisiert extrahiert und strukturiert. Darauf aufbauend generieren regelbasierte Systeme leitlinienkonforme Empfehlungen, während ML und LLMs vor allem bei komplexen oder nicht eindeutig abbildbaren Fällen zur Anwendung kommen. Das System wird auf Basis eines der größten verfügbaren deutschen Tumorboard-Datensätze (48.744 Protokolle, strukturiert und unstrukturiert) entwickelt und mit realen Patientendaten trainiert und validiert. Das Projekt adressiert einen drängenden klinischen Bedarf: Multidisziplinäre Tumorboards erfordern beträchtliche ärztliche Ressourcen und zeigen erhebliche Qualitätsunterschiede, was zu Verzögerungen und suboptimalen Therapieentscheidungen führen kann. Die geplante Lösung soll Prozesse automatisieren, Ärtinnen und Ärzte entlasten und gleichzeitig die Qualität der Versorgung und den Zugang zu klinischen Studien verbessern. In vier Arbeitspaketen werden 1) Datenstrukturierung, 2) Entwicklung und Benchmarking der Modelle, 3) Integration zum hybriden Prototypen und 4) die prospektive Pilotierung mit klinischem Feedback umgesetzt. Ein interdisziplinäres Team aus Klinik und IT setzt das Vorhaben um; vorhandene HPC-Infrastruktur wird genutzt. Die Ergebnisse werden nach Implementierung und Evaluierung an der Charité auf Partnerstandorte des NCT übertragen und perspektivisch deutschlandweit ausgerollt. So leistet das Projekt einen zentralen Beitrag zur nachhaltigen Digitalisierung und Innovationskraft der Onkologie in Deutschland.