End-To-End Clinical Trial Matching with Large Language Models

将癌症患者与临床试验进行匹配对于推进治疗和患者护理至关重要。然而，医学自由文本文档的不一致格式和复杂的试验资格标准使得这一过程对于医生来说极具挑战性和耗时。我们研究了使用大型语言模型（LLMs）是否可以自动化整个试验匹配过程——从在clinicaltrials.gov上的105,600个肿瘤学相关临床试验中识别相关试验到生成基于标准的资格匹配。使用GPT-4o和一组51个合成电子病历（EHRs），我们展示了我们的方法在93.3%的情况下识别出相关候选试验，并在将患者级别信息与人类专家定义的基线进行标准匹配时达到了88.0%的初步准确性。利用LLM反馈显示，最初被认为不正确的39.3%标准要么存在歧义，要么被错误地注释，导致在优化我们的人类基线后总模型准确率达到92.7%。总之，我们提出了一个使用LLMs进行临床试验匹配的端到端流程，展示了在筛选和匹配试验到个体患者方面的高精度，甚至超过了合格医生的表现。我们的完全端到端流程可以自主运行或在人类监督下运行，并不仅限于肿瘤学，为增强现实世界中患者-试验匹配提供了可扩展的解决方案。

自动化匹配癌症患者与临床试验，解决医生在匹配过程中的挑战

使用大型语言模型（LLMs）实现从105,600个临床试验中自动识别相关试验和生成标准匹配的过程

使用GPT-4o和51个合成电子病历（EHR）数据集，实现了93.3%的候选试验识别率和88.0%的准确性，使用LLM反馈提高了模型准确性，总准确率达到92.7%。该研究提供了一种端到端的匹配临床试验的自动化解决方案，可在医生监督下或自主运行。

近期相关研究包括《A review of automatic matching of cancer patients to clinical trials》、《Automated Matching of Cancer Patients to Clinical Trials Using Ontologies and Natural Language Processing》等。