محققان مؤسسه ملی سلامت از مدلهای زبانی بزرگ برای توسعه یک چارچوب هوش مصنوعی برای سادهسازی فرآیند تطبیق کارآزماییهای بالینی و پیوند دادن سریعتر داوطلبان بالقوه به کارآزماییهای مربوطه فهرستشده در ClinicalTrials.gov استفاده میکنند.
بر اساس اعلامیه NIH در این ماه، محققان با مقایسه دقت آن در برابر سه پزشک انسانی دریافتند که ابزار TrialGPT تقریباً به همان سطح دقت دست یافته است.
چرا مهم است
از آنجایی که یافتن کارآزمایی بالینی مناسب برای بیمار هم زمان و هم نیازمند منابع است، محققان کتابخانه ملی پزشکی و موسسه ملی سرطان چارچوب TrialGPT را برای سادهسازی آن توسعه دادند.
الگوریتم تطبیق کارآزمایی بالینی جدید، خلاصههای بیماران را برای اطلاعات پزشکی و جمعیتشناختی مرتبط تجزیه و تحلیل میکند، سپس کارآزماییهای بالینی را که بیمار واجد شرایط آن است، شناسایی میکند و کارآزماییهایی را که برای آنها مناسب نیستند، حذف میکند.
TrialGPT یک لیست مشروح از کارآزماییهای بالینی – رتبهبندی شده بر اساس ارتباط و واجد شرایط بودن – تولید میکند که پزشکان میتوانند از آن برای بحث درباره فرصتهای کارآزمایی بالینی با بیماران خود استفاده کنند. ابزار هوش مصنوعی همچنین توضیح می دهد که چگونه یک فرد معیارهای ثبت نام در مطالعه را برآورده می کند، که برای کارایی آن بسیار مهم است.
به گفته NIH، برای ارزیابی اینکه TrialGPT چقدر خوب پیشبینی میکند که یک بیمار نیاز خاصی را برای یک کارآزمایی بالینی برآورده کند، محققان نتایج این ابزار را با نتایج سه پزشک انسانی که بیش از 1000 جفت معیار بیمار-معیار را ارزیابی کردند، مقایسه کردند.
استفن شری، مدیر اجرایی NLM در بیانیهای گفت: «یادگیری ماشین و فناوری هوش مصنوعی در تطبیق بیماران با آزمایشهای بالینی نویدبخش بوده است، اما کاربرد عملی آنها در بین جمعیتهای مختلف همچنان به کاوش نیاز دارد.»
محققان همچنین یک مطالعه آزمایشی روی کاربران انجام دادند و دریافتند که وقتی پزشکان از TrialGPT استفاده میکردند، 40 درصد زمان کمتری را برای غربالگری بیماران صرف میکردند اما همان سطح دقت را حفظ کردند.
پژوهشگران در گزارش خود گفتند، TrialGPT به LLM های سری GPT OpenAI مانند GPT-3.5 و GPT-4 متکی است و دومی منبع بسته است و فقط از طریق برنامه های کاربردی تجاری یا API قابل دسترسی است.
تیم تحقیقاتی برای مطالعه خود که در Nature Communications منتشر شد و توسط همکاران کالج پزشکی آلبرت انیشتین، دانشگاه پیتسبورگ، دانشگاه ایلینوی اوربانا-شامپین و دانشگاه مریلند، کالج پارک انجام شد، جایزه نوآوری دریافت کردند و مدل را بیشتر ارزیابی خواهند کرد. NIH گفت عملکرد و انصاف در تنظیمات بالینی دنیای واقعی.
روند بزرگتر
استفاده از هوش مصنوعی برای بهبود جذب بیمار، حفظ و نتایج آزمایشهای بالینی قبل از راهاندازی مدل هوش مصنوعی ChatGPT توسط OpenAI آغاز شد. در طول همهگیری کووید-19، سازمانهای سرطانشناسی از طریق دادههای مراقبتهای بهداشتی به دنبال راههایی برای یافتن بیمارانی در سراسر کشور بودند که واجد شرایط آزمایش هستند، حتی اگر از نظر فیزیکی در آنجا نباشند.
به گفته جف التون، مدیر عامل ConcertAI، فروشنده داده ها و پلتفرم های AI SaaS برای بهینه سازی کارآزمایی های بالینی، در اجرای آزمایش های بالینی غیرمتمرکز، افزایش پذیرش هوش مصنوعی به پیشرفت برابری سلامت و تنوع آزمایش ها کمک کرد.
التون به Healthcare IT News گفت: «با کارآزماییهای دیجیتالی یکپارچه، مطالعات بالینی در خود فرآیند مراقبت، در مقابل تحمیل شدن به آن، یکپارچه هستند.
“آزمایش ها نیازی ندارند که باری بالاتر از استاندارد مراقبت بر دوش ارائه دهندگان و بیماران بگذارند.”
به گفته ست هاوارد، معاون تحقیق و توسعه در Epic، کاهش اصطکاک در طول چرخه عمر کارآزمایی بالینی برای کمک به بیماران برای دسترسی به درمانهای آزمایشی ضروری است.
فروشنده پرونده الکترونیک سلامت، دو سال پیش همسان سازی کارآزمایی بالینی مبتنی بر داده را اجرا کرد. Epic با استفاده از مجموعه دادههای Cosmos شناسایینشده خود، به ارائهدهندگانی که برای این سرویس ثبتنام میکنند اجازه میدهد تا با فرصتهای کارآزمایی بالینی از حامیان مالی و شماری از بیماران واجد شرایط سازمانشان مطابقت داشته باشند.
بسیاری از سیستمهای بهداشتی نیز با استفاده از برنامههای تحلیلی آزمایش کردهاند که میتوانند فرصتهای کارآزمایی بالینی را برای بیماران با استفاده از دادههای EHR سازمانشان نشان دهند. در ماه اکتبر، مایکروسافت ابزارهای هوش مصنوعی جدیدی را معرفی کرد که سیستمهای سلامت را قادر میسازد تا ابزارهای هوش مصنوعی سفارشی خود را برای بسیاری از نیازهای اداری – از جمله تطبیق کارآزمایی بالینی – بسازند.
با این حال، سوگیری در هوش مصنوعی همچنان یک نگرانی برای نتایج بالینی است.
محققان دانشکده پزشکی ییل در تحقیق جدیدی که اوایل این ماه منتشر شد، گفتند که این می تواند در هر خط لوله توسعه الگوریتم ظاهر شود و نابرابری های مراقبت های بهداشتی را بدتر کند.
در رکورد
ژیونگ لو، محقق ارشد NLM و نویسنده مسئول این مطالعه، گفت: “مطالعه ما نشان می دهد که TrialGPT می تواند به پزشکان کمک کند تا بیماران خود را به طور موثرتری به فرصت های کارآزمایی بالینی متصل کنند و در زمان گرانبها صرفه جویی کنند که می تواند بهتر صرف کارهای سخت تری شود که به تخصص انسانی نیاز دارد.” یک بیانیه
شری افزود: «این مطالعه نشان میدهد که ما میتوانیم با مسئولیتپذیری از فناوری هوش مصنوعی استفاده کنیم تا پزشکان بتوانند بیماران خود را با یک کارآزمایی بالینی مرتبط که ممکن است برای آنها جالب باشد، با سرعت و کارایی بیشتر مرتبط کنند.»
منبع:healthcareitnews
