がん臨床試験におけるスクリーニング前およびスクリーニングツールの統一的フレームワーク

科学分野:

• 腫瘍学
• 臨床試験
• 人工知能

背景:

• がん臨床試験の登録は、複雑な適格基準、バイオマーカーストラティフィケーション、および断片化されたデータにより課題に直面している。
• これらの要因は、募集期間の延長と患者参加率の低下につながる。

研究 の 目的:

• がん臨床試験における現代のスクリーニング前およびスクリーニングアプローチをレビューする。
• 試験募集の改善における人工知能（AI）、特に大規模言語モデル（LLM）の強みと限界を評価する。
• 試験マッチングの効率性、代表性、および治験薬へのアクセスを改善するための効果的な戦略を特定する。

主な方法:

• 手動プロセス、デジタルツール、AI搭載方法を含む、現在のスクリーニング前およびスクリーニング方法論のレビュー。
• 検索拡張およびドメイン適応アプローチなどの大規模言語モデル（LLM）戦略の評価。
• 自動スクリーニングと臨床医の監視を統合したハイブリッドフレームワークの評価。

主要な成果:

• 手動ワークフローと既存のデジタルツールは、現代の臨床試験スクリーニングの複雑性に対処する上で限界がある。
• 大規模言語モデルは、試験募集におけるスケーラビリティ、精度、公平性の課題に対する潜在的な解決策を提供する。
• 自動スクリーニングと人間の監視を組み合わせたハイブリッドフレームワークは、最も効果的であることを実証している。

結論:

• 自動スクリーニングと臨床医の監視を統合したハイブリッドフレームワークは、がん試験のマッチングを改善するために最も効果的である。
• これらの統合アプローチは、患者の代表性を高め、治験薬への適時アクセスを保証する。
• スクリーニングプロセスの最適化は、がん研究と患者ケアの進歩に不可欠である。