TWIN-GPT: Digital Twins for Clinical Trials via Large Language Model

近年来，对虚拟临床试验的兴趣日益增长，这些试验模拟真实世界的情境，有望显著提高患者安全、加快开发进程、降低成本，并为医疗保健领域的广泛科学知识做出贡献。现有研究往往集中于利用电子健康记录（EHR）支持临床试验结果预测。然而，现有方法在受限的临床试验结果数据的基础上进行训练，往往难以进行准确预测。一些研究试图生成EHR以增强模型开发，但未能为个体患者个性化生成EHR。最近，大型语言模型的出现揭示了新的可能性，因为它们嵌入了全面的临床知识，已被证明在解决医学问题方面有益。在本文中，我们提出了一种基于大型语言模型的数字孪生创建方法，称为TWIN-GPT。TWIN-GPT可以在有限的数据情况下建立医疗信息的跨数据集关联，为不同患者生成独特的个性化数字孪生，从而保留个体患者的特征。全面的实验表明，使用TWIN-GPT创建的数字孪生可以提高临床试验结果预测，超过了各种先前的预测方法。此外，我们还证明了TWIN-GPT可以生成与特定患者紧密相似的高保真试验数据，有助于在数据稀缺的情况下进行更准确的结果预测。此外，我们的研究为数字孪生在医疗保健中的应用提供了实际证据，突显了其潜在意义。

提出了一种基于大型语言模型的数字孪生创建方法，名为TWIN-GPT，旨在解决临床试验预测中数据不足和个性化问题。

使用TWIN-GPT生成数字孪生，可以提高临床试验结果预测的准确性，同时在数据匮乏情况下生成接近特定患者的高保真试验数据。

实验结果表明，使用TWIN-GPT生成的数字孪生可以超越以往的预测方法。该研究为数字孪生在医疗保健中的应用提供了实践证据，突出了其潜在重要性。

现有研究主要集中在利用电子病历（EHR）支持临床试验结果预测，但是现有方法往往在有限的临床试验结果数据中难以进行准确预测。