美国国立卫生研究院（NIH）的研究人员正在将人工智能应用于临床试验志愿者的招募，旨在解决临床研究中的一个主要障碍。患者招募仍然是试验赞助商面临的主要挑战，可能导致延误和成本增加，而传统方法既耗时又低效。NIH团队开发了一个名为TrialGPT的大规模语言模型（LLM），该模型基于ChatGPT，通过识别一个人有资格参与的相关临床试验，并提供总结说明此人如何符合研究入组标准，从而简化了这一过程。他们已在《自然通讯》杂志上发表了关于该平台的论文。
据估计，80%的试验未能按时招募到所需数量的患者，这种表现不佳有时被归咎于试验赞助商在其流程中缺乏创新，这可能部分解释了为什么药物开发需要10到15年的时间，而且许多药物从未走出研发阶段。此外，据NIH国家医学图书馆（NLM）的首席作者Zhiyong Lu介绍，约40%的癌症试验因患者入组不足而失败，NLM与国家癌症研究所（NCI）的科学家共同开发了TrialGPT。
“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。”Lu说道。
在研究中，TrialGPT被用于将患者与clinicaltrials.gov数据库中列出的合适试验进行匹配，并且其准确性接近人类临床研究专家的水平。研究人员还进行了一项试点用户研究，要求两名人类医生审查六份匿名患者总结，并将其与六个临床试验进行匹配。对于每一对患者和试验，一名医生被要求手动审查患者总结，检查该人是否有资格，并决定患者是否可能符合条件。对于同一对患者和试验，另一名医生使用TrialGPT评估患者的资格。
研究人员发现，当医生使用TrialGPT时，他们花费在筛查患者上的时间减少了40%，但保持了相同的准确性。“机器学习和人工智能技术在匹配患者与临床试验方面一直显示出潜力，但在不同人群中的实际应用仍需探索。”NLM代理主任Stephen Sherry表示。“这项研究表明，我们可以负责任地利用人工智能技术，使医生能够更快、更高效地将患者连接到可能感兴趣的合适临床试验。”他补充道。
患者招募只是人工智能被用来改进临床试验过程的一种方式。赞助商也开始使用高级分析来提高患者保留率——这是另一个导致研究无法按时按预算完成的重大问题——并识别高风险疾病的患者，然后鼓励他们参与试验。开发TrialGPT的团队已被邀请参加一项主任创新挑战奖，以进一步测试该LLM，并观察其在真实世界临床环境中的表现。
(全文结束)
