用于结构化和分析AI引导细粒度匹配临床试验标准的计算框架

科学领域:

• 临床信息学 临床信息学
• 医疗保健中的人工智能
• 临床试验管理 临床试验管理

背景情况:

• 目前用于临床试验匹配的人工智能 (AI) 解决方案往往使用过于简单的标准或有限的结构化数据.
• 这种局限性阻碍了人工智能有效自动化和优化临床试验患者招募的潜力.
• 现有的方法与临床试验资格标准的固有复杂性和变异性作斗争.

研究的目的:

• 引入一个新的框架,从现实世界的临床试验协议中构建和分析资格标准.
• 为制定更细致和有效的AI驱动的临床试验匹配策略提供信息.
• 量化临床试验资格标准的复杂性和可变性.

主要方法:

• 来自三个临床试验协议的资格标准被系统地分解成个别变量.
• 根据数据类型,范围和相互依赖性来评估变量.
• 开发并应用了一种新的复杂度公式,包括可变相互依赖性和Flesch-Kincaid阅读等级水平.

主要成果:

• 临床试验协议包含22至160个资格变量,其中4至22%显示相互依赖.
• 标准的阅读等级水平从六年级到大学一年级不等,这表明可访问性有很大的差异.
• 复杂度得分差异很大,在一些协议中观察到高认知和逻辑负担,通常具有递归和层次结构.

结论:

• 临床试验的资格标准表现出显著的变化和结构复杂性,这给当前的AI匹配系统带来了挑战.
• 评估试验复杂性的标准化方法可以提高AI算法的透明度,可扩展性和可解释性.
• 开发结构化,可计算的框架对于提高临床试验招聘的公平性和效率至关重要.