TrialGPT ist ein Algorithmus, der von den National Institutes of Health (NIH) entwickelt wurde, um die Patientenrekrutierung für klinische Studien effizienter zu gestalten. Mithilfe moderner KI-Technologien analysiert TrialGPT Patientenakten und vergleicht relevante Informationen wie Diagnosen und demografische Daten mit den Einschlusskriterien von Studien auf ClinicalTrials.gov. Ziel ist es, geeignete Studien schneller und präziser zu identifizieren.
TrialGPT verwendet einen vierstufigen Prozess, um Patienten mit klinischen Studien abzugleichen:
1. Informationsgewinnung: TrialGPT analysiert die Patientenakte und identifiziert wichtige medizinische und demografische Daten wie Diagnosen, Behandlungsverläufe, Alter, Geschlecht und ethnische Zugehörigkeit.
2. Retrieval relevanter Studien: Der Algorithmus durchsucht die Datenbank von ClinicalTrials.gov und filtert Studien heraus, die basierend auf den extrahierten Patienteninformationen potenziell relevant sind. Dieser Schritt verwendet eine Kombination aus Keyword-Generierung und hybrider Retrieval-Techniken, um sowohl lexikalische als auch semantische Übereinstimmungen zu berücksichtigen.
3. Bewertung der Eignung (TrialGPT-Matching): In diesem entscheidenden Schritt bewertet TrialGPT die Eignung des Patienten für jede der ausgewählten Studien, indem es die Patienteninformationen mit den spezifischen Einschlusskriterien der Studie vergleicht. TrialGPT liefert nicht nur eine binäre Klassifizierung (geeignet oder nicht geeignet), sondern generiert auch detaillierte Erklärungen, warum ein Patient für eine bestimmte Studie geeignet ist oder nicht. Zusätzlich identifiziert TrialGPT die relevanten Textabschnitte in der Patientenakte, die die Entscheidung des Algorithmus unterstützen.
4. Erstellung einer Rangliste (TrialGPT-Ranking): Basierend auf den Ergebnissen von TrialGPT-Matching erstellt der Algorithmus eine Rangliste der Studien, sortiert nach der Wahrscheinlichkeit, dass der Patient die Einschlusskriterien erfüllt. Dieser Schritt nutzt verschiedene Aggregationsmethoden, darunter lineare Aggregationen (z. B. Prozentsatz der erfüllten Einschlusskriterien) und LLM-basierte Aggregationen, um aussagekräftige Bewertungen zu erstellen.
Die Leistung von TrialGPT wurde in mehreren Studien mit vielversprechenden Ergebnissen bewertet:
· Genauigkeit des Matchings: In einer Studie mit 183 "synthetischen Patienten" und über 75.000 Studienanmerkungen erreichte TrialGPT eine Genauigkeit von 87,3 % bei der Zuordnung von Patienten zu Studien, was nahe an der Leistung von erfahrenen Klinikern liegt.
· Zeitersparnis: TrialGPT reduzierte die Screening-Zeit im Vergleich zu manuellen Methoden um durchschnittlich 42,6 %. Eine Pilotstudie mit menschlichen Klinikern bestätigte diese Ergebnisse und zeigte, dass die Verwendung von TrialGPT die Screening-Zeit um 40 % reduzierte, ohne die Genauigkeit zu beeinträchtigen.
· Genauigkeit der Kriteriumsprognose: Die Bewertung durch medizinische Experten ergab, dass TrialGPT die Eignung von Patienten auf Kriteriumsebene mit einer Genauigkeit von 87,3 % vorhersagen kann, was wiederum mit der Leistung menschlicher Experten vergleichbar ist.
· Korrelation der Trial-Level-Scores: Die von TrialGPT generierten Trial-Level-Scores korrelieren stark mit der manuellen Bewertung der Patienteneignung, was darauf hindeutet, dass der Algorithmus die Studien effektiv nach ihrer Relevanz für einen bestimmten Patienten einstufen kann.
· Effizienzsteigerung: TrialGPT kann den zeitaufwendigen Prozess der manuellen Suche nach geeigneten Studien erheblich beschleunigen und Kliniker entlasten, sodass sie sich auf andere wichtige Aufgaben konzentrieren können.
· Verbesserte Genauigkeit: Die hohe Genauigkeit von TrialGPT bei der Zuordnung von Patienten zu Studien minimiert das Risiko, dass Patienten in ungeeignete Studien aufgenommen werden oder geeignete Studien verpassen.
· Transparenz und Nachvollziehbarkeit: TrialGPT bietet begründete Erklärungen für seine Entscheidungen und hebt die relevanten Informationen in der Patientenakte hervor. Diese Transparenz fördert das Vertrauen der Kliniker in das System und unterstützt eine fundierte Entscheidungsfindung.
· Potenzial zur Verbesserung der Diversität in klinischen Studien: Durch die effizientere und genauere Identifizierung geeigneter Patienten könnte TrialGPT dazu beitragen, die Diversität in klinischen Studien zu erhöhen, was zu repräsentativeren Studienergebnissen führt.
Die Forscher planen, die Leistung und Fairness von TrialGPT in realen klinischen Umgebungen weiter zu evaluieren und das Modell für den Einsatz mit elektronischen Patientenakten (EHRs) zu optimieren. Die Einbindung von EHR-Daten würde die Skalierbarkeit und den praktischen Nutzen von TrialGPT erheblich verbessern.
Darüber hinaus wird die Erforschung alternativer Open-Source-LLMs als Backbone für TrialGPT die Zugänglichkeit und Nachhaltigkeit des Systems erhöhen.
Die kontinuierliche Entwicklung und Verfeinerung von TrialGPT verspricht eine transformative Wirkung auf die Patientenrekrutierung für klinische Studien, die zu einer schnelleren Entwicklung neuer Therapien und einer verbesserten Gesundheitsversorgung für alle beitragen könnte.
Quellen:
- https://www.ncbi.nlm.nih.gov/research/trialgpt/
- https://www.nature.com/articles/s41467-024-53081-z
- https://www.healthcareitnews.com/news/new-nih-tool-uses-genai-connect-volunteers-clinical-trials
- https://informaconnect.com/ai-tech-trialgpt-can-cut-screening-time-by-40-says-nih/
