临床试验患者匹配:在癌症临床试验中进行半自动患者预查的实时,常用数据模型和人工智能驱动系统
Guannan Gong1,2, Jessica Liu1, Sameer Pandya3
1Yale Cancer Center, Yale School of Medicine, New Haven, CT.
JCO clinical cancer informatics
|January 9, 2026
概括
一个新的AI和NLP工具简化了癌症临床试验匹配,大大减少了工作量和查时间. 这通过有效地识别符合条件的候选人来改善患者对试验的访问.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 临床试验管理 临床试验管理
背景情况:
- 癌症临床试验的招生率非常低 (5%-7%),这是由于手动患者试验匹配瓶造成的.
- 现有的AI/ML系统缺乏数据标准化和跨卫生系统兼容性.
研究的目的:
- 开发和验证一个半自动化的临床试验患者匹配 (CTPM) 工具.
- 提高临床试验招聘的效率和可扩展性.
主要方法:
- 创建了一个基于规则和自然语言处理 (NLP) 的混合管道.
- 将标准化电子健康记录 (EHR) 数据转化为观察医疗结果伙伴关系 (OMOP) 共同数据模型.
- 对结直肠癌试验的手动图表审查进行了验证CTPM,然后在29个试验中实施.
主要成果:
- 对于CRC试验,CTPM实现了94%的回顾性准确性和88%的前性准确性,具有100%的灵敏度.
- 减少了十倍的图表审查工作量和41%的选时间.
- 在29个试验中选了98,348名患者,确定了825名符合条件的候选人,并促进了117名入学.
结论:
- 人工智能/NLP工具通过将研究团队专注于合格候选人来提高临床试验招聘效率.
- 基于OMOP的框架使整个卫生系统的可扩展性成为可能.
- 解决招生挑战,可能增加患者获得新型癌症治疗的机会.
更多相关视频
10:27Testing Targeted Therapies in Cancer using Structural DNA Alteration Analysis and Patient-Derived Xenografts
Published on: July 25, 2020
7.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
