Naukowcy z amerykańskiego National Institutes of Health (NIH) opracowali innowacyjny algorytm oparty na sztucznej inteligencji (AI), który ma na celu przyspieszenie procesu dopasowywania ochotników do odpowiednich badań klinicznych. Algorytm, nazwany TrialGPT, korzysta z zaawansowanych narzędzi opartych na modelach językowych, aby wskazać pacjentom te badania, do których mogą się kwalifikować. Opublikowana w czasopiśmie Nature Communications praca badawcza pokazuje, że TrialGPT nie tylko skutecznie identyfikuje odpowiednie badania, ale także generuje szczegółowe wyjaśnienia dotyczące tego, jak pacjent spełnia kryteria rekrutacyjne. To innowacyjne rozwiązanie może znacząco usprawnić proces rekrutacji do badań klinicznych, przyspieszając tym samym postęp w badaniach medycznych.
Jak działa TrialGPT?
Zespół naukowców z NIH, w tym specjaliści z National Library of Medicine (NLM) i National Cancer Institute, wykorzystał potencjał tzw. dużych modeli językowych (LLM) do stworzenia narzędzia, które automatyzuje proces selekcji odpowiednich badań klinicznych. Działanie TrialGPT rozpoczyna się od analizy podsumowania medycznego pacjenta, które zawiera kluczowe informacje demograficzne oraz medyczne. Algorytm przeszukuje następnie bazę danych ClinicalTrials.gov, identyfikując badania, do których pacjent mógłby się zakwalifikować. TrialGPT nie tylko odrzuca nieodpowiednie badania, ale również przedstawia szczegółowe uzasadnienie, dlaczego pacjent spełnia kryteria rekrutacyjne dla wybranych badań. Wynikiem końcowym jest lista badań uszeregowana według trafności i spełnienia kryteriów, którą lekarze mogą omówić ze swoimi pacjentami.
Korzyści wynikające z zastosowania AI w medycynie
Zastosowanie sztucznej inteligencji w medycynie ma ogromny potencjał. Jak zauważył Stephen Sherry, pełniący obowiązki dyrektora NLM: „Technologie oparte na uczeniu maszynowym i sztucznej inteligencji od dłuższego czasu obiecywały usprawnić proces dopasowywania pacjentów do badań klinicznych, ale ich praktyczne wdrożenie nadal wymagało dogłębnych badań. Nasze badanie pokazuje, że możemy odpowiedzialnie wykorzystać technologię AI, aby lekarze mogli jeszcze szybciej i skuteczniej łączyć swoich pacjentów z odpowiednimi badaniami klinicznymi.”
Testowanie skuteczności TrialGPT
Aby ocenić efektywność TrialGPT, naukowcy porównali wyniki generowane przez algorytm z ocenami trzech ludzkich klinicystów. W badaniu przeanalizowano ponad 1000 par pacjent-kryterium. Okazało się, że TrialGPT osiągnął poziom trafności zbliżony do ocen wystawianych przez ekspertów medycznych.
Ponadto, przeprowadzono pilotażowe badanie, w którym dwaj klinicyści zostali poproszeni o dopasowanie sześciu anonimowych pacjentów do sześciu badań klinicznych. Jeden z klinicystów ręcznie sprawdzał, czy pacjenci spełniają wymagania danego badania, podczas gdy drugi korzystał z TrialGPT. Wyniki pokazały, że użycie narzędzia AI pozwoliło zaoszczędzić 40% czasu potrzebnego na ocenę pacjentów, przy jednoczesnym utrzymaniu wysokiej dokładności.
Praktyczne zastosowanie i przyszłość TrialGPT
Badania kliniczne odgrywają kluczową rolę w odkrywaniu nowych terapii i poprawie zdrowia. Jednak proces rekrutacji do tych badań jest często skomplikowany i czasochłonny, co może opóźniać postęp w badaniach medycznych. Dzięki TrialGPT lekarze mogą szybciej i łatwiej odnaleźć badania, które są odpowiednie dla ich pacjentów, co nie tylko przyspiesza całą procedurę, ale również pozwala lekarzom skupić się na bardziej złożonych zadaniach wymagających ludzkiej wiedzy i doświadczenia.
Jak podkreślił Zhiyong Lu, wybitny badacz z NLM: „Nasze badanie pokazuje, że TrialGPT może pomóc klinicystom w bardziej efektywnym łączeniu pacjentów z możliwościami udziału w badaniach klinicznych, oszczędzając cenny czas, który może być lepiej wykorzystany do trudniejszych zadań wymagających ludzkiej ekspertyzy.”
Kolejne kroki i wizja przyszłości
Ze względu na obiecujące wyniki, zespół badawczy został wybrany do realizacji prestiżowego projektu The Director’s Challenge Innovation Award, dzięki któremu będą kontynuować ocenę skuteczności TrialGPT w rzeczywistych warunkach klinicznych. Badacze wierzą, że ich praca znacząco przyczyni się do usprawnienia rekrutacji do badań klinicznych, jednocześnie zmniejszając bariery dostępu do badań dla grup tradycyjnie niedostatecznie reprezentowanych w medycynie.
Współautorami badania są naukowcy z Albert Einstein College of Medicine w Nowym Jorku, University of Pittsburgh, University of Illinois Urbana-Champaign oraz University of Maryland, College Park.
