מחקר חדש בכתב העת האקדמי למידת מכונה: בריאות מגלה ש- ChatGPT יכול להאיץ את סינון המטופלים לניסויים קליניים, להראות הבטחה להפחתת עיכובים ושיפור שיעורי ההצלחה של הניסוי.
חוקרים במרכז הרפואי UT Southwestern השתמשו ב- CHATGPT כדי להעריך האם המטופלים היו זכאים לקחת חלק במחקרים קליניים והצליחו לזהות מועמדים מתאימים תוך דקות ספורות.
ניסויים קליניים, הבודקים תרופות ונהלים חדשים בציבור, חיוניים לפיתוח ואימות טיפולים חדשים. אולם ניסויים רבים נאבקים לרשום מספיק משתתפים. על פי מחקר שנערך לאחרונה, עד 20% מהניסויים הקשורים למכון הלאומי לסרטן (NCI) נכשלים בגלל הרשמה נמוכה. זה לא רק מנפח עלויות ומעכב תוצאות, אלא גם מערער את אמינות הטיפולים החדשים.
נכון לעכשיו, בדיקת חולים לניסויים היא תהליך ידני. על החוקרים לבדוק את הרשומות הרפואיות של כל מטופל כדי לקבוע אם הם עומדים בקריטריוני הזכאות, הנמשכים כ- 40 דקות לכל מטופל. עם צוות ומשאבים מוגבלים, תהליך זה לרוב איטי מכדי להתעדכן בביקוש.
חלק מהבעיה הוא שמידע יקר חולים הכלול ברשומות בריאות אלקטרוניות (EHRS) נקבר לרוב בטקסט לא מובנה, כמו הערות רופאים, שתוכנת למידת מכונה מסורתית נאבקת לפענוח. כתוצאה מכך, מטופלים רבים זכאים מתעלמים מכיוון שפשוט אין מספיק יכולת לבדוק כל מקרה. זה תורם לשיעורי הרשמה נמוכים, עיכובים בניסיון ואפילו ביטולים, ובסופו של דבר מאטים את הגישה לטיפולים חדשים.
כדי להתמודד עם בעיה זו, החוקרים בדקו דרכים להאיץ את תהליך המיון באמצעות CHATGPT. החוקרים השתמשו ב- GPT-3.5 ו- GPT-4 כדי לנתח 74 נתוני חולים כדי לבדוק אם הם העפילו לניסוי סרטן ראש וצוואר.
נבדקו שלוש דרכים להנחת ה- AI:
- פלט מובנה (SO): בקשת תשובות בפורמט מוגדר.
- שרשרת המחשבה (מיטה): מבקש מהמודל להסביר את נימוקו.
- גילוי עצמי (SD): לתת למודל להבין מה לחפש.
התוצאות היו מבטיחות. GPT-4 היה מדויק יותר מ- GPT-3.5, אם כי מעט איטי ויקר יותר. זמני ההקרנה נעו בין 1.4 ל 12.4 דקות לחולה, עם עלויות בין 0.02 ל 0.27 $.
LLMs כמו GPT-4 יכולים לסייע בהקרנת חולים לניסויים קליניים, במיוחד בעת שימוש בקריטריונים גמישים. הם לא מושלמים, במיוחד כאשר יש לעמוד בכל הכללים, אך הם יכולים לחסוך זמן ולתמוך בסוקרים אנושיים. "
ד"ר מייק דוהופולסקי, מחבר המחקר הראשי
מחקר זה מדגיש את הפוטנציאל של AI לתמוך במחקרים קליניים מהירים ויעילים יותר – הבאת טיפולים חדשים לחולים מוקדם יותר.
המחקר הוא אחד המאמרים הראשונים שפורסמו בסדרת Machine Learning Learning ™ של IOP Publishing, סדרת היומן הראשון של Access Access World המוקדשת ליישום ופיתוח של למידת מכונות (ML) ולבינה מלאכותית (AI) למדעים.
אותו צוות מחקר עבד על שיטה המאפשרת למנתחים להתאים את הטיפול בהקרנות של המטופלים בזמן אמת בזמן שהם עדיין על השולחן. באמצעות מערכת למידה עמוקה הנקראת GeoDL, ה- AI מספק אומדני מינון תלת -ממדי מדויק מסריקות CT ונתוני טיפול ב -35 אלפיות שניות בלבד. זה יכול להפוך את הקרנות ההסתגלות למהירות ויעילות יותר בהגדרות קליניות אמיתיות.
