美国国立卫生研究院（NIH）的研究人员开发了一种利用人工智能（AI）的算法，以帮助加快匹配潜在志愿者参与相关临床研究试验的过程。该算法称为TrialGPT，旨在帮助临床医生在众多可用的临床试验中找到合适的患者，并提供这些患者符合研究入组标准的总结。研究团队使用了一个大型语言模型（LLM）来开发TrialGPT的创新框架，并将其与三名人类临床医生分析的1,000多个患者-标准对的结果进行了比较。研究团队还进行了一项试点用户研究，两名人类临床医生审查了六份匿名患者总结，并将他们与可能适合的临床试验进行了匹配。当临床医生使用TrialGPT作为起点时，他们在筛选患者方面花费的时间减少了40%，同时保持了相同的准确性。研究团队被选为“主任挑战创新奖”，这将使团队能够在现实世界临床环境中进一步评估模型的性能和公平性。研究人员预计，这项工作可以提高临床试验的招募效率，减少在临床研究中代表性不足的人群参与的障碍。
类似于TrialGPT的工具可以被生命科学公司用于确保其研究项目中患者的多样性。美国食品药品监督管理局（FDA）的一项优先事项是通过促进临床试验的多样性来推进健康公平。临床试验的参与者应代表将使用医疗产品的患者，但这种情况往往并非如此。FDA已发布建议，以改善在临床试验中代表性不足的人群的参与，包括2019年和2020年的指导文件。根据2022年《食品和药物综合改革法案》（FDORA），赞助商必须按照FDA指定的形式和方式提交“多样性行动计划”。这些多样性行动计划旨在增加历史上代表性不足的人群在临床研究中的参与度，从而提高证据的强度和普遍性。作为机构2024年6月关于多样性行动计划的草案指南，FDA提供了赞助商如何满足解释其计划以实现特定招募目标的要求的例子，包括社区参与、选择服务人口多样化的地点、在适当情况下采用分散式临床研究以及提高研究意识。扩大临床医生和患者对研究的认识的一种方法是使用像TrialGPT这样的算法。
尽管并非所有AI/ML驱动的医疗器械都必须根据FDORA提交多样性行动计划（该要求仅适用于需要研究器械豁免的器械研究），但FDA多次警告AI/ML基础医疗器械中可能存在偏见的风险。也许另一个帮助从代表性不足的人群中识别合适研究参与者的AI工具可以用来解决算法偏见问题。
(全文结束)
