临床实验室参数驱动的机器学习用于胃癌患者生物等价性研究的参与者选择:框架开发和验证研究
Byungeun Shon1, Sook Jin Seong2, Eun Jung Choi3
1Department of Medical Informatics, School of Medicine, Kyungpook National University, Daegu, Republic of Korea.
JMIR AI
|July 3, 2025
概括
机器学习模型有效地使用实验室数据识别出符合条件的临床试验患者,显著减少招聘工作量并加速招生. 这种方法通过改善参与者选择来提高临床试验的效率.
科学领域:
- 生物医学信息学 生物医学信息学
- 临床试验管理 临床试验管理
- 机器学习应用 机器学习应用
背景情况:
- 临床试验的成功往往受到参与者登记不足的阻碍.
- 准确和高效的患者鉴定对于及时完成试验至关重要.
研究的目的:
- 开发基于机器学习 (ML) 的框架,用于识别生物等价性研究的符合条件的参与者.
- 利用临床实验室参数优化临床试验招聘.
主要方法:
- 利用了11,592名胃癌患者的电子病历.
- 开发了一个ML模型,使用8个临床实验室参数和获取日期.
- 在训练和测试数据集上使用F1分数和曲线下的面积 (AUC) 验证模型性能.
主要成果:
- 权重组合ML模型实现了F1得分>0.8和AUC>0.8.8.
- 在识别有效候选人和尽量减少错误分类方面表现出高度敏感性.
- 查工作量减少了57%,从209名有效患者中识别出150名有效患者,而通过随机选择的患者为485人.
结论:
- 基于ML的框架准确地确定了符合临床试验条件的患者.
- 这种方法有助于更快地招募参与者,解决临床研究中的一个关键挑战.
- 临床实验室数据可以有效地用于简化患者招聘流程.


