TrialGPT：项目核心功能/场景
利用大型语言模型实现患者与临床试验的零样本匹配。
项目介绍
临床试验常常面临患者招募的挑战。为此，我们推出了TrialGPT项目，这是一个创新的端到端框架，通过大型语言模型（LLM）实现患者与临床试验的零样本匹配。TrialGPT由三个关键组件组成：首先，它在大规模上进行无关临床试验的过滤（TrialGPT-Retrieval）；其次，它在准则的基础上预测患者是否符合条件（TrialGPT-Matching）；最后，它将准则级别的预测聚合为临床试验级别的评分进行排序（TrialGPT-Ranking）。我们在三个公开可用的合成患者队列上评估了TrialGPT，共包含183个合成患者和超过75,000个临床试验资格注释。
项目技术分析
TrialGPT利用了大型语言模型的强大能力，通过三个主要步骤实现患者与临床试验的匹配：
- TrialGPT-Retrieval：给定患者摘要和初始临床试验集合，此步骤生成患者关键词，并利用混合融合检索机制获取相关临床试验。
- TrialGPT-Matching：在检索到的候选临床试验上，此步骤对每个患者-临床试验对进行细粒度的准则级别分析。
- TrialGPT-Ranking：最后，此步骤将准则级别的预测聚合为临床试验级别的评分，并进行排序。
项目技术应用场景
TrialGPT适用于临床试验的招募环节，尤其是在以下场景中：
- 提高招募效率：通过自动化的患者-临床试验匹配，显著减少人工筛选时间。
- 优化临床试验资源分配：确保临床试验能够吸引到最合适的患者群体。
- 改善患者体验：为患者提供与其健康状况最匹配的临床试验信息。
项目特点
- 高效性：TrialGPT-Retrieval能够以不到6%的初始临床试验集合高效地检索到超过90%的相关临床试验。
- 准确性：在准则级别的匹配上，TrialGPT-Matching达到了87.3%的准确性，接近专家表现（88.7%–90.0%）。
- 相关性：TrialGPT-Ranking的聚合评分与人类资格判断高度相关，并在排名和排除临床试验方面超过了最佳竞争模型。
- 实用性：实际用户研究表明，TrialGPT可以显著减少临床试验匹配任务中的筛选时间，提高工作效率。
TrialGPT项目的推出，为临床试验招募带来了革命性的改变，不仅提高了匹配的效率和准确性，也为患者和研究人员带来了实实在在的好处。在未来，我们期待看到更多的研究和应用案例，以进一步验证和推广这一框架的实际价值。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
