TrialGPT è un algoritmo sviluppato dal National Institutes of Health (NIH) per rendere più efficiente il reclutamento dei pazienti per le sperimentazioni cliniche. Utilizzando moderne tecnologie di intelligenza artificiale, TrialGPT analizza le cartelle cliniche dei pazienti e confronta le informazioni pertinenti come diagnosi e dati demografici con i criteri di inclusione degli studi su ClinicalTrials.gov. L'obiettivo è identificare gli studi idonei in modo più rapido e accurato.
TrialGPT utilizza un processo in quattro fasi per abbinare i pazienti agli studi clinici:
1. Recupero delle informazioni: TrialGPT analizza la cartella clinica del paziente e identifica importanti dati medici e demografici come diagnosi, storia del trattamento, età, sesso ed etnia.
2. Recupero di studi pertinenti: L'algoritmo ricerca nel database ClinicalTrials.gov e filtra gli studi potenzialmente rilevanti in base alle informazioni sui pazienti estratte. Questo passaggio utilizza una combinazione di generazione di parole chiave e tecniche di recupero ibride per tenere conto delle corrispondenze lessicali e semantiche.
3. Valutazione dell'idoneità (TrialGPT-Matching): In questa fase cruciale, TrialGPT valuta l'idoneità del paziente per ciascuno degli studi selezionati confrontando le informazioni sul paziente con i criteri di inclusione specifici dello studio. TrialGPT non solo fornisce una classificazione binaria (adatta o non adatta), ma genera anche spiegazioni dettagliate sul motivo per cui un paziente è o non è adatto per un particolare studio. Inoltre, TrialGPT identifica le sezioni di testo pertinenti nella cartella clinica del paziente che supportano la decisione dell'algoritmo.
4. Classifica (classifica TrialGPT): Sulla base dei risultati della corrispondenza TrialGPT, l'algoritmo classifica gli studi in base alla probabilità del paziente di soddisfare i criteri di inclusione. Questa fase utilizza vari metodi di aggregazione, tra cui aggregazioni lineari (ad esempio, percentuale di criteri di inclusione soddisfatti) e aggregazioni basate su LLM, per produrre punteggi significativi.
Le prestazioni di TrialGPT sono state valutate in diversi studi con risultati promettenti:
· Precisione di abbinamento: In uno studio con 183 «pazienti sintetici» e oltre 75.000 annotazioni di studio, TrialGPT ha raggiunto un'accuratezza dell'87,3% nell'assegnazione dei pazienti agli studi, una percentuale vicina alle prestazioni di medici esperti.
· Risparmio di tempo: TrialGPT ha ridotto i tempi di screening in media del 42,6% rispetto ai metodi manuali. Uno studio pilota con medici umani ha confermato questi risultati e ha dimostrato che l'uso di TrialGPT ha ridotto i tempi di screening del 40% senza compromettere l'accuratezza.
· Precisione della previsione a livello di criterio: La valutazione da parte di esperti medici ha dimostrato che TrialGPT è in grado di prevedere l'idoneità dei pazienti a livello di criterio con una precisione dell'87,3%, paragonabile alle prestazioni degli esperti umani.
· Correlazione dei punteggi a livello di prova: I punteggi a livello di studio generati da TrialGPT sono fortemente correlati alla valutazione manuale dell'idoneità del paziente, indicando che l'algoritmo può classificare efficacemente gli studi in base alla loro rilevanza per un paziente specifico.
· Maggiore efficienza: TrialGPT può velocizzare notevolmente il lungo processo di ricerca manuale di studi adeguati e aiutare i medici a concentrarsi su altre attività importanti.
· Precisione migliorata: L'elevata precisione di TrialGPT nell'abbinare i pazienti agli studi riduce al minimo il rischio che i pazienti vengano arruolati in studi non idonei o perdano studi idonei.
· Trasparenza e tracciabilità: TrialGPT fornisce spiegazioni motivate per le sue decisioni ed evidenzia le informazioni rilevanti nella cartella clinica del paziente. Questa trasparenza promuove la fiducia dei medici nel sistema e supporta un processo decisionale informato.
· Potenziale per migliorare la diversità negli studi clinici: Identificando i pazienti idonei in modo più efficiente e preciso, TrialGPT potrebbe contribuire ad aumentare la diversità negli studi clinici, portando a risultati di studio più rappresentativi.
I ricercatori intendono valutare ulteriormente le prestazioni e l'equità di TrialGPT in contesti clinici reali e ottimizzare il modello per l'uso con le cartelle cliniche elettroniche (EHR). L'incorporazione dei dati EHR migliorerebbe significativamente la scalabilità e l'utilità pratica di TrialGPT.
Inoltre, la ricerca su LLM open source alternativi come spina dorsale per TrialGPT aumenterà l'accessibilità e la sostenibilità del sistema.
Il continuo sviluppo e perfezionamento di TrialGPT promette di essere trasformativo per il reclutamento dei pazienti per gli studi clinici, il che potrebbe contribuire a uno sviluppo più rapido di nuove terapie e a migliorare l'assistenza sanitaria per tutti.
Fonti:
- 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/
