近日，一项研究表明，TrialGPT能够成功识别适合给定患者摘要的临床试验，并解释患者如何满足研究入组标准。图片来源：美国国立医学图书馆，隶属于美国国立卫生研究院。
在临床研究的一项令人振奋的进展中，美国国立卫生研究院（NIH）的研究人员开发了一种人工智能（AI）算法，旨在加快潜在志愿者与ClinicalTrials.gov上相关临床研究试验的匹配过程。这种名为TrialGPT的AI算法可以有效地识别个人符合条件的临床试验，并提供详细说明，解释该个人如何满足研究入组标准。研究人员得出结论，这一工具可以帮助医生应对大量且不断变化的临床试验，可能提高临床试验的入组率，加快医学研究的进展。
美国国立医学图书馆（NLM）和国家癌症研究所的一组研究人员利用大型语言模型（LLMs）的能力，创建了一个创新框架，用于TrialGPT促进临床试验匹配过程。TrialGPT首先处理患者的摘要，包括相关的医疗和人口统计数据。该算法随后从ClinicalTrials.gov中识别出患者符合条件的适用临床试验，同时排除他们不符合条件的试验。之后，TrialGPT阐明个人如何满足研究入组标准。最终输出是一个基于相关性和资格的排名和注释的临床试验列表，医生可以利用这些信息与患者讨论临床试验选项。
“机器学习和AI技术在匹配患者与临床试验方面具有潜力，但其在不同人群中的实际应用仍需探索，”美国国立医学图书馆代理主任Stephen Sherry博士说，“这项研究表明，我们可以负责任地利用AI技术，使医生能够更快速高效地将患者连接到他们感兴趣的临床试验。”
为了评估TrialGPT预测患者是否符合特定临床试验要求的有效性，研究人员将TrialGPT的结果与三位人类医生审查的1000多对患者和标准的结果进行了比较。他们发现，TrialGPT的准确性几乎与医生相同。此外，研究人员进行了一项初步的用户研究，指示两名医生检查六份匿名患者摘要，并将其与六个临床试验对齐。对于每一对患者-试验组合，一名医生负责手动审查患者摘要，验证个人是否符合条件，并确定其潜在的合格性。另一名医生则使用TrialGPT评估同一患者-试验组合的患者资格。
研究人员观察到，使用TrialGPT后，医生在患者筛选上花费的时间减少了40%，同时保持了相同的准确性水平。临床试验带来了显著的医学进步，改善了健康状况，而潜在参与者通常通过他们的医疗服务提供者发现这些机会。然而，识别适合感兴趣个体的适当临床试验的过程往往繁琐且需要大量资源，这可能会阻碍重要的医学研究。
“我们的研究表明，TrialGPT可以帮助医生更高效地将患者连接到临床试验机会，并节省宝贵的时间，这些时间可以更好地用于需要人类专业知识的更复杂任务，”美国国立医学图书馆高级研究员、该研究的通讯作者Zhiyong Lu博士说。
由于有希望的基准测试结果，研究团队最近被选为主任挑战创新奖，以评估该模型在真实世界临床环境中的有效性和公平性。研究人员希望该项目能够提高临床试验招募的效率，并帮助消除临床研究中代表性不足群体参与的障碍。
期刊参考：
- Qiao Jin, Zifeng Wang, Charalampos S. Floudas, Fangyuan Chen, Changlin Gong, Dara Bracken-Clarke, Elisabetta Xue, Yifan Yang, Jimeng Sun & Zhiyong Lu. Matching patients to clinical trials with large language models. Nature Communications, 2024; DOI: 10.1038/s41467-024-53081-z
(全文结束)
