リアルワールド臨床試験適格性スクリーニングのためのTrialGPTの適応：エビデンスを実践へ翻訳

科学分野:

• 医療における人工知能
• 臨床試験運用
• ヘルスインフォマティクス

背景:

• 臨床試験の適格患者の特定は、研究における重要なボトルネックです。
• 構造化されていない電子カルテ（EHR）データには、患者特定のための貴重な情報が含まれています。
• 大規模言語モデル（LLM）は、複雑な臨床テキストの処理に有望です。

研究 の 目的:

• 大規模言語モデル（LLM）システムであるTrialGPTのローカル展開された適応のパフォーマンスを評価すること。
• 構造化されていない電子カルテデータから試験適格患者を特定するシステムの能力を評価すること。

主な方法:

• 安全なローカル展開のために、ホストされたLLMを使用してTrialGPTを再設計しました。
• 縦断的な患者-遭遇-ノート階層を使用してシステムを最適化しました。
• ゴールドコーパスに対するベンチマークと手動スクリーニングに対する比較検証を通じてパフォーマンスを評価しました。

主要な成果:

• システムは、専門家によって審査されたコーパスに対して81.8%の感度と97.8%の特異度を達成しました。
• 手動スクリーニングと比較して、同等の特異度で2倍以上の適格患者（36.4% vs 81.8%）を特定しました。

結論:

• 適応されたTrialGPTフレームワークは、臨床試験マッチングを効果的に運用します。
• 効率的でスケーラブルな募集のために、EHRデータを実行可能なスクリーニングインテリジェンスに変換します。