Traducción de evidencia a la práctica: adaptación de TrialGPT para la selección de elegibilidad de ensayos clínicos...

Área de la Ciencia:

• Inteligencia Artificial en Medicina; Operaciones de Ensayos Clínicos; Informática de la Salud

Sus antecedentes:

• La identificación de pacientes elegibles para ensayos clínicos es un cuello de botella crítico en la investigación.; Los datos no estructurados de los registros electrónicos de salud (EHR) contienen información valiosa para la identificación de pacientes.; Los modelos de lenguaje grandes (LLM) muestran una gran promesa para el procesamiento de texto clínico complejo.

Objetivo del estudio:

• Evaluar el rendimiento de una adaptación implementada localmente de TrialGPT, un sistema de modelo de lenguaje grande (LLM).; Evaluar la capacidad del sistema para identificar pacientes elegibles para ensayos clínicos a partir de datos no estructurados de EHR.

Principales métodos:

• Reingeniería de TrialGPT para una implementación local segura utilizando un LLM alojado.; Optimización del sistema utilizando una jerarquía longitudinal de notas de encuentro de pacientes.; Evaluación del rendimiento mediante la comparación con un corpus de referencia y la validación comparativa con la selección manual.

Principales resultados:

• El sistema logró una sensibilidad del 81,8% y una especificidad del 97,8% frente a un corpus revisado por expertos.; En comparación con la selección manual, identificó más del doble de pacientes elegibles (81,8% frente al 36,4%) con una especificidad similar.

Conclusiones:

• El marco adaptado de TrialGPT opera eficazmente la correspondencia de ensayos clínicos.; Traduce los datos de EHR en inteligencia de selección procesable para un reclutamiento eficiente y escalable.