Generativna veštačka inteligencija (Gen AI) može brzo i precizno pregledati pacijente da li ispunjavaju uslove za kliničko ispitivanje, prema novoj studiji istraživača Mass General Brighama. Takva tehnologija bi mogla učiniti bržim i jeftinijim procenu novih tretmana i, na kraju, pomoći da se pacijenti donesu uspešni.
Istraživači su procenili tačnost i cenu procesa Gen AI koji su nazvali RAG-omogućena infrastruktura kliničkih ispitivanja za pregled isključenja iz inkluzije (RECTIFIER), koja identifikuje pacijente koji ispunjavaju kriterijume za upis u ispitivanje srčane insuficijencije na osnovu njihove medicinske dokumentacije. Za kriterijume koji zahtevaju pregled beleški pacijenata, otkrili su da je RECTIFIER pregledao pacijente tačnije od koordinatora istraživanja obučenih za bolesti koji obično sprovode skrining—i za delić trenutnih troškova.
Rezultati studije objavljeni su u NEJM AI.
„Videli smo da veliki jezički modeli imaju potencijal da fundamentalno poboljšaju skrining kliničkih ispitivanja“, rekao je ko-stariji autor Samjuel (Sandi) Aronson, ALM, MA, izvršni direktor IT i AI rešenja za Mass General Brigham Personalized Medicine i viši direktor IT i AI rešenja za akcelerator za kliničku transformaciju.
„Sada počinje težak posao da se odredi kako da se ova sposobnost integriše u probne tokove u stvarnom svetu na način koji istovremeno pruža poboljšanu efikasnost, bezbednost i pravičnost.“
Klinička ispitivanja uključuju ljude koji ispunjavaju određene kriterijume, kao što su starost, dijagnoze, ključni zdravstveni indikatori i trenutni ili prošli lekovi. Ovi kriterijumi pomažu istraživačima da osiguraju da upišu učesnike koji su reprezentativni za one od kojih se očekuje da će imati koristi od tretmana. Kriterijumi za upis takođe pomažu istraživačima da izbegnu uključivanje pacijenata koji imaju nepovezane zdravstvene probleme ili uzimaju lekove koji bi mogli da utiču na rezultate.
Ko-vodeći autor Ozan Unlu, MD, saradnik u kliničkoj informatici u Mass General Brighamu i saradnik na kardiovaskularnoj medicini u Brighamu i Ženskoj bolnici, rekao je: „Skrining učesnika je jedan od najzahtjevnijih, radno intenzivnih i zadaci skloni greškama u kliničkom ispitivanju.“
Istraživački tim, deo Mass General Brigham Accelerator za kliničku transformaciju, testirao je sposobnost AI procesa da identifikuje pacijente koji ispunjavaju uslove za suđenje Kooperativnog programa za implementaciju optimalne terapije kod srčane insuficijencije (COPILOT-HF), koje regrutuje pacijente. sa simptomatskom srčanom insuficijencijom i identifikuje potencijalne učesnike na osnovu podataka elektronskog zdravstvenog kartona (EHR).
Istraživači su osmislili 13 upita za procenu podobnosti za kliničko ispitivanje. Oni su testirali i prilagodili te upite koristeći medicinske karte male grupe pacijenata, pre nego što su ih primenili na skup podataka od 1.894 pacijenata sa prosečno 120 beleški po pacijentu. Zatim su uporedili učinak skrininga ovog procesa sa rezultatima studijskog osoblja.
Proces veštačke inteligencije je bio 97,9% do 100% tačan, na osnovu usklađivanja sa procenom „zlatnog standarda” stručnjaka kliničara o tome da li su pacijenti ispunili kriterijume ispitivanja. Za poređenje, studijsko osoblje koje je procenjivalo istu medicinsku dokumentaciju bilo je nešto manje precizno od veštačke inteligencije, sa stopama tačnosti između 91,7% i 100%.
Istraživači su procenili da AI model košta oko 0,11 dolara za skrining svakog pacijenta. Autori objašnjavaju da je ovo za redove veličine jeftinije u poređenju sa tradicionalnim metodama skrininga.
Ko-stariji autor Alekander Blood, MD, kardiolog u Brigham and Vomen’s Hospital i pomoćnik direktora Accelerator for Clinical Transformation, primetio je da korišćenje AI u kliničkim ispitivanjima može ubrzati vreme potrebno da se utvrdi da li je terapija efikasna. „Ako možemo da ubrzamo proces kliničkog ispitivanja i učinimo ispitivanja jeftinijim i pravednijim bez žrtvovanja bezbednosti, možemo brže da dostavimo lekove pacijentima i obezbedimo da oni pomažu širokoj populaciji“, rekao je Blood.
Istraživači su primetili da AI može imati rizike koje treba pratiti kada je integrisana u rutinske tokove posla. To bi moglo uvesti pristrasnost i promašiti nijanse u medicinskim beleškama. Osim toga, promena načina na koji se podaci prikupljaju u zdravstvenom sistemu može značajno uticati na performanse AI.
Iz ovih razloga, svaka studija koja koristi AI za skrining pacijenata mora da ima provere, zaključili su autori. Većina ispitivanja ima kliničara koji još jednom proverava učesnike za koje osoblje studije smatra da ispunjavaju uslove za ispitivanje, a istraživači su preporučili da se ova konačna provera nastavi sa AI skriningom.
„Naš cilj je da dokažemo da ovo funkcioniše u drugim oblastima bolesti i slučajevima upotrebe dok se širimo izvan zidova Mass General Brighama“, dodao je Blood.
