Remiantis nauju Mass General Brigham tyrėjų tyrimu, generatyvusis dirbtinis intelektas (Gen AI) gali greitai ir tiksliai patikrinti pacientų tinkamumą klinikiniam tyrimui. Tokia technologija galėtų padėti greičiau ir pigiau įvertinti naujus gydymo būdus ir galiausiai padėti pacientams suteikti sėkmingų gydymo būdų.
Tyrėjai įvertino Gen AI proceso, kurį pavadino RAG įgalinta klinikinių tyrimų infrastruktūros įtraukimo neįtraukimo apžvalga (RECTIFIER), tikslumą ir sąnaudas, pagal kurią pagal jų medicininius įrašus nustatomi pacientai, kurie atitinka įtraukimo į širdies nepakankamumo tyrimą kriterijus. Pagal kriterijus, pagal kuriuos reikia peržiūrėti pacientų pastabas, jie nustatė, kad RECTIFIER tikrino pacientus tiksliau nei pagal ligą apmokyti tyrimų koordinatoriai, kurie paprastai atlieka patikrinimą, ir už dalį dabartinių išlaidų.
Tyrimo rezultatai buvo paskelbti m NEJM AI.
„Matėme, kad dideli kalbiniai modeliai turi potencialą iš esmės pagerinti klinikinių tyrimų atranką“, – sakė vienas iš vyresniųjų autorių Samuel (Sandy) Aronson, ALM, MA, IT ir AI sprendimų Mass General Brigham personalized Medicine vykdomasis direktorius ir vyresnysis direktorius. IT ir AI sprendimai klinikinės transformacijos spartintuvui.
„Dabar prasideda sudėtingas darbas, siekiant nustatyti, kaip integruoti šią galimybę į realias bandomąsias darbo eigas taip, kad tuo pačiu būtų pagerintas efektyvumas, saugumas ir teisingumas.
Į klinikinius tyrimus įtraukiami žmonės, atitinkantys konkrečius kriterijus, pvz., amžių, diagnozes, pagrindinius sveikatos rodiklius ir esamus ar buvusius vaistus. Šie kriterijai padeda tyrėjams užtikrinti, kad jie įtrauktų dalyvius, atstovaujančius tiems, kuriems gydymas turėtų būti naudingas. Registracijos kriterijai taip pat padeda tyrėjams neįtraukti pacientų, kurie turi nesusijusių sveikatos problemų arba vartoja vaistus, kurie gali trukdyti rezultatams.
Vienas iš pagrindinių autorių Ozanas Unlu, medicinos mokslų daktaras, Mass General Brigham klinikinės informatikos bendradarbis ir Brigham and Women's Hospital širdies ir kraujagyslių medicinos bendradarbis, sakė: „Dalyvių atranka yra vienas iš daugiausiai laiko, daug darbo reikalaujančių ir reikalaujančių dalykų. Klinikinio tyrimo metu galimos klaidos užduotys.
Mokslininkų grupė, priklausanti Mass Generaliniam Brighamo klinikinės transformacijos greitintuvui, išbandė AI proceso gebėjimą identifikuoti pacientus, tinkančius bendradarbiauti optimalaus širdies nepakankamumo terapijos įgyvendinimo programos (COPILOT-HF) tyrimui, į kurį įdarbinami pacientai. su simptominiu širdies nepakankamumu ir identifikuoja galimus dalyvius pagal elektroninių sveikatos įrašų (ESI) duomenis.
Mokslininkai sukūrė 13 raginimų įvertinti tinkamumą klinikiniams tyrimams. Jie išbandė ir pakoregavo tuos raginimus naudodamiesi nedidelės pacientų grupės medicininėmis lentelėmis, prieš pritaikydami jas 1 894 pacientų duomenų rinkiniui, kuriame vienam pacientui buvo vidutiniškai 120 pastabų. Tada jie palygino šio proceso atrankos rezultatus su tyrimo personalo rezultatais.
AI procesas buvo nuo 97,9 % iki 100 % tikslus, remiantis suderinimu su eksperto kliniko „auksinio standarto“ įvertinimu, ar pacientai atitiko tyrimo kriterijus. Palyginimui, tyrimo personalas, vertinęs tuos pačius medicininius įrašus, buvo šiek tiek mažiau tikslus nei AI, o tikslumas buvo nuo 91,7% iki 100%.
Tyrėjai apskaičiavo, kad AI modelis kainuoja apie 0,11 USD kiekvienam pacientui patikrinti. Autoriai aiškina, kad tai yra daug pigiau, palyginti su tradiciniais atrankos metodais.
Vyresnysis autorius Aleksandras Bloodas, medicinos mokslų daktaras, Brigham ir moterų ligoninės kardiologas ir klinikinės transformacijos greitintuvo asocijuotas direktorius, pažymėjo, kad AI naudojimas klinikiniuose tyrimuose gali pagreitinti laiką, kurio reikia norint nustatyti, ar gydymas yra veiksmingas. „Jei galime paspartinti klinikinių tyrimų procesą ir padaryti tyrimus pigesnius ir teisingesnius neprarandant saugumo, galime greičiau gauti vaistus pacientams ir užtikrinti, kad jie padės plačiajai visuomenei“, – sakė Blood.
Tyrėjai pažymėjo, kad dirbtinis intelektas gali turėti pavojų, kurį reikėtų stebėti, kai jis yra integruotas į įprastas darbo eigas. Tai gali sukelti šališkumą ir praleisti niuansus medicinos pastabose. Be to, sveikatos sistemos duomenų fiksavimo pakeitimas gali labai paveikti AI veikimą.
Autoriai padarė išvadą, kad dėl šių priežasčių bet koks tyrimas, naudojant AI pacientų patikrinimui, turi būti patikrintas. Daugumą tyrimų atlieka gydytojas, kuris dar kartą patikrina dalyvius, kuriuos tyrimo personalas laiko tinkamus tyrimui, ir mokslininkai rekomendavo šį paskutinį patikrinimą tęsti atliekant AI patikrą.
„Mūsų tikslas yra įrodyti, kad tai veikia kitose ligų srityse ir naudojimo atvejais, kol plečiamės už mišių generolo Brighamo sienų“, – pridūrė Blood.
Be Unlu, Blood ir Aronson, Mass General Brigham autoriai yra pirmasis autorius Jiyeonas Shinas (BWH, MGB), Charlotte Mailly (BWH, MGB), Michaelas Oatesas (BWH, MGB), Michaela Tucci (BWH), Matthew Varugheese. (BWH), Kavishwar Wagholikar (BWH), Fei Wang (BWH, MGB) ir Benjamin Scirica (BWH).