下一代多中心研究:使用人工智能自动处理多个机构的肺癌患者的非结构化健康记录

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 从非结构化的健康记录 (HR) 中手动抽象现实世界的数据 (RWD) 是资源密集型的,容易出现错误.
• 大型语言模型 (LLM) 提供了一个可扩展的替代方案,但它们在多中心瘤学环境中的有效性需要验证.

研究的目的:

• 为了比较基于人工智能的数据提取与手动抽象在多中心瘤环境中的准确性.
• 为了评估微调的LLM的性能,从非结构化的瘤病人的病历中提取变量.

主要方法:

• 法国大型和统一癌症队列 (LUCC) 联盟内的多中心研究.
• 一个微调的LLM被用来从10个中心的肺癌患者的非识别的非结构化HR中提取31个变量.
• 通过专家裁决确定了基本真相,提取错误率是主要的终点.

主要成果:

• 该LLM实现了7.0%的错误率,明显优于手动抽象 (14.2%,p<0.001).
• 人工智能在基因变异,并发病和转移部位方面表现出优异的F1分数,机构间差异较低 (0.12%对0.39%).
• 混合人工智能-人类方法将错误率降低到4.4%;人工智能提取的生存数据与地面真相密切匹配.

结论:

• 基于人工智能的数据提取比在多中心环境中手动抽象提供更低的错误率和更大的一致性.
• 支持人工智能的管道可以在规模上产生高质量的RWD,支持下一代多中心研究的可行性.
• 这些发现表明AI在未来的临床试验中对有效数据收集的潜在应用.