利用 AI 加速医疗数据清洗：AI 辅助与传统方法的比较研究
计算机视觉与模式识别
2025-08-15 v2
摘要
临床试验数据清洗是药物开发中的关键瓶颈，手动审查流程难以应对数据量和复杂度的指数级增长。本文提出了 Octozi，一个结合大型语言模型与领域特定启发法的 AI 辅助平台，用于转换医疗数据审查。在经验丰富的医学审查员（n=10）的受控实验研究中，我们证明了 AI 辅助功能使数据清洗吞吐量提高了 6.03 倍，同时将清洗错误率从 54.67% 降低至 8.48%（提高了 6.44 倍）。关键的是，系统将误报查询减少了 15.48 倍，最大限度地减少了不必要的现场负担。对代表性 III 期肿瘤学试验的经济分析显示，潜在可节省 440 万）、改进的医学审查效率（节省 288 万）驱动。这些改进在审查员经验水平无论如何都是一致的，表明具有广泛的适用性。我们的发现表明，AI 辅助方法可以解决临床试验运营中的根本性效率问题， potentially in 加快药物开发时间表（数据库锁定提前 33%），同时保持监管合规性并显著降低运营成本。这一工作为将 AI 集成到安全关键的临床工作流程中建立了框架，并展示了人类-AI 协作在制药临床试验中的变革性潜力。
引用
@article{arxiv.2508.05519,
title = {Leveraging AI to Accelerate Medical Data Cleaning: A Comparative Study of AI-Assisted vs. Traditional Methods},
author = {Matthew Purri and Amit Patel and Erik Deurrell},
journal= {arXiv preprint arXiv:2508.05519},
year = {2025}
}