בינה מלאכותית גנרטיבית (Gen AI) יכולה לסנן מטופלים במהירות ובדייקנות לזכאות לניסויים קליניים, על פי מחקר חדש של חוקרי מאס גנרל בריגהם. טכנולוגיה כזו יכולה להפוך את זה למהיר וזול יותר להעריך טיפולים חדשים, ובסופו של דבר לעזור להביא מוצלחים למטופלים.
החוקרים העריכו את הדיוק והעלות של תהליך Gen AI שהם כינו RAG-Enabled Clinical Trial Infrastructure for Inclusion Exclusion Review (RECTIFIER), המזהה מטופלים העומדים בקריטריונים להרשמה לניסוי אי ספיקת לב בהתבסס על הרשומות הרפואיות שלהם. עבור קריטריונים המחייבים סקירת הערות של מטופלים, הם מצאו כי RECTIFIER בדק מטופלים בצורה מדויקת יותר מאשר מתאמי מחקר שעברו הכשרה למחלה שבדרך כלל מבצעים סקר -; ובעבור חלק מהעלויות השוטפות. תוצאות המחקר פורסמו ב NEJM AI.
ראינו שמודלים שפה גדולים טומנים בחובם את הפוטנציאל לשפר באופן יסודי את בדיקת הניסויים הקליניים. כעת מתחילה העבודה הקשה כדי לקבוע כיצד לשלב את היכולת הזו בזרימות עבודה של ניסוי בעולם האמיתי, באופן שמספק בו-זמנית אפקטיביות, בטיחות ושוויון משופרים."
סמואל (סנדי) ארונסון, ALM, MA, מחקר שותף בכיר ומנהל בכיר, פתרונות IT ובינה מלאכותית, גנרל המוני Brigham Personalized Medicine
סמואל (סנדי) ארונסון הוא גם המנהל הבכיר של פתרונות IT ו-AI עבור האקסלרטור לטרנספורמציה קלינית.
בניסויים קליניים נרשמים אנשים העומדים בקריטריונים ספציפיים, כגון גיל, אבחנות, מדדי בריאות מרכזיים ותרופות נוכחיות או קודמות. קריטריונים אלו מסייעים לחוקרים להבטיח שהם ירשמו משתתפים המייצגים את אלו הצפויים להפיק תועלת מהטיפול. קריטריוני הרשמה גם עוזרים לחוקרים להימנע מהכללת מטופלים שיש להם בעיות בריאות שאינן קשורות או שלוקחים תרופות שעלולות להפריע לתוצאות.
הסופר הראשי אוזן אונלו, ד"ר, עמית באינפורמטיקה קלינית במיסה גנרל בריגהם ועמית ברפואת לב וכלי דם בבית החולים בריגהאם ובית החולים לנשים, אמר, "הסקר של המשתתפים הוא אחד הבדיקות שגוזלות את הזמן, הדורשות עבודה ועבודה. משימות מועדות לטעויות בניסוי קליני."
צוות המחקר, חלק מ-Mass General Brigham Accelerator for Clinical Transformation, בדק את יכולתו של תהליך AI לזהות חולים המתאימים לניסוי The Co-Operative Program for Implementation of Optimal Therapy in Heart Failure (COPILOT-HF), המגייס חולים עם אי ספיקת לב סימפטומטית ומזהה משתתפים פוטנציאליים על סמך נתוני רישום בריאות אלקטרוני (EHR). החוקרים תכננו 13 הנחיות להערכת כשירות לניסויים קליניים. הם בדקו ושיפרו את ההנחיות הללו באמצעות תרשימים רפואיים של קבוצה קטנה של מטופלים, לפני שהחילו אותן על מערך נתונים של 1,894 מטופלים עם ממוצע של 120 הערות למטופל. לאחר מכן הם השוו את ביצועי המיון של תהליך זה לאלו של צוות המחקר.
תהליך הבינה המלאכותית היה מדויק ב-97.9% עד 100%, בהתבסס על התאמה להערכת "תקן הזהב" של רופא מומחה האם המטופלים עומדים בקריטריוני הניסוי. לשם השוואה, צוות המחקר שהעריך את אותם רשומות רפואיות היה מעט פחות מדויק מאשר בינה מלאכותית, עם שיעורי דיוק בין 91.7% ל-100%.
החוקרים העריכו שמודל הבינה המלאכותית עולה כ-0.11 דולר לבדיקת כל חולה. המחברים מסבירים כי מדובר בסדרי גודל פחות יקר בהשוואה לשיטות ההקרנה המסורתיות.
מחבר שותף בכיר אלכסנדר בלאד, MD, קרדיולוג בבית החולים בריגהם אנד נשים ומנהל שותף של ה-Accelerator for Clinical Transformation, ציין כי שימוש ב-AI בניסויים קליניים יכול להאיץ את הזמן שלוקח לקבוע אם טיפול יעיל. "אם נוכל להאיץ את תהליך הניסוי הקליני, ולהפוך את הניסויים לזולים ושוויוניים יותר מבלי לוותר על הבטיחות, נוכל להביא תרופות לחולים מהר יותר ולהבטיח שהם עוזרים לאוכלוסייה רחבה", אמר Blood.
החוקרים ציינו כי ל-AI יכולים להיות סיכונים שיש לנטר כאשר הוא משולב בזרימות עבודה שגרתיות. זה יכול להכניס הטיה ולהחמיץ ניואנסים בהערות רפואיות. בנוסף, שינוי באופן שבו נתונים נקלטים במערכת בריאות עשוי להשפיע באופן משמעותי על הביצועים של AI.
מסיבות אלה, כל מחקר המשתמש ב-AI כדי לסנן חולים צריך לבצע בדיקות במקום, סיכמו המחברים. ברוב הניסויים יש קלינאי שבודק פעמיים את המשתתפים שצוות המחקר סבור כמתאימים לניסוי, והחוקרים המליצו לבדיקה הסופית הזו להמשיך עם בדיקת בינה מלאכותית.
"המטרה שלנו היא להוכיח שזה עובד באזורי מחלות אחרים ובמקרי שימוש בזמן שאנחנו מתרחבים מעבר לקירות של גנרל המוני בריגהם", הוסיף בלאד.
