利用大语言模型匹配患者与临床试验
计算与语言
2024-11-19 v5 人工智能
摘要
患者招募对临床试验而言具有挑战性。我们提出TrialGPT，一个利用大语言模型进行零样本患者-试验匹配的端到端框架。TrialGPT包含三个模块：首先进行大规模过滤以检索候选试验（TrialGPT-Retrieval）；然后预测标准级患者资格（TrialGPT-Matching）；最后生成试验级评分（TrialGPT-Ranking）。我们在包含超过75,000条试验标注的183名合成患者的三个队列上评估TrialGPT。TrialGPT-Retrieval可使用少于初始集合6%的数据召回超过90%的相关试验。对1,015对患者-标准对的人工评估显示，TrialGPT-Matching达到87.3%的准确率并提供可信解释，接近专家表现。TrialGPT-Ranking评分与人类判断高度相关，并在排序与排除试验上以43.8%的优势超越最优竞争模型。此外，我们的用户研究表明TrialGPT可将患者招募中的筛选时间减少42.6%。总体而言，这些结果展示了利用TrialGPT进行患者-试验匹配的良好前景。
引用
@article{arxiv.2307.15051,
title = {Matching Patients to Clinical Trials with Large Language Models},
author = {Qiao Jin and Zifeng Wang and Charalampos S. Floudas and Fangyuan Chen and Changlin Gong and Dara Bracken-Clarke and Elisabetta Xue and Yifan Yang and Jimeng Sun and Zhiyong Lu},
journal= {arXiv preprint arXiv:2307.15051},
year = {2024}
}
备注
Nature Communications