在现实世界中验证一个多式联网LLM驱动的管道,用于高精度的临床试验患者匹配

科学领域:

• 医疗保健中的人工智能
• 临床试验优化 临床试验优化
• 医疗信息学 医疗信息学

背景情况:

• 临床试验患者招募面临挑战,因为复杂的标准和手动图表审查.
• 现有的纯文本人工智能模型在可靠性,可扩展性和电子健康记录 (EHR) 数据解释方面遇到了困难.
• 限制包括有限的推理,图像转换为文本的信息丢失,以及缺乏通用EHR集成.

研究的目的:

• 开发和验证一个没有集成的,大语言模型 (LLM) 驱动的管道,用于自动化患者试验匹配.
• 为了利用先进的LLM能力来解释复杂的标准和视觉医疗记录.
• 提高临床试验患者招募的效率和可扩展性.

主要方法:

• 利用一种新的推理-LLM范式来评估复杂的资格标准.
• 利用LLM的视觉能力来解释未经处理的医疗记录,避免数据丢失.
• 实现了多式联运嵌入,以有效地搜索EHR数据.
• 验证了n2c2 2018数据集和30个站点的485名患者的现实数据集的管道.

主要成果:

• 在n2c2数据集上实现了93%的最新标准级准确性.
• 在现实世界的临床试验中显示了87%的准确性,尽管在复制人类决策方面存在挑战.
• 将患者资格审查时间缩短至每名患者9分钟以下,比手动方法改善80%.

结论:

• 开发的管道为患者试验匹配提供了强大的性能,而不需要特定站点的集成或试验定制.
• 能够在多个地点实现可扩展的AI部署,以提高患者招募效率.
• 代表了自动化和优化临床试验过程的重大进步.