临床试验资格匹配系统性文献综述
机器学习
2025-03-04 v1 信息检索
摘要
临床试验资格匹配是医学研究中的关键步骤，但往往代价高昂且容易出错，因为它确保了参与者符合安全可靠的研究结果的精确标准。近期自然语言处理（NLP）技术在自动化和改进这一过程方面显示出前景，通过快速分析大量非结构化临床文本和结构化电子健康记录（EHR）数据。本文提供了当前应用于临床试验资格筛选的 NLP 方法综述，关注数据来源、标注实践、机器学习方法及实际实施挑战。通过综合检索（涵盖 Google Scholar、Mendeley 和 PubMed，时间跨度为2015-2024），筛选出高质量研究，每项研究都展示了基于规则系统、命名实体识别、情境嵌入和本体规范化等技术可提升患者匹配准确性的潜力。虽然结果表明筛选效率和准确性得到显著提升，但仍存在数据完整性、标注一致性以及模型在不同临床领域中可扩展性等局限性。该综述指出，解释性人工智能和标准化本体可增强临床医生信任并扩大采纳。展望未来，进一步研究先进的语义和时序表示、扩大数据集成以及严格的前瞻性评估是实现 NLP 在临床试验招募中的变革潜力所必需的。
引用
@article{arxiv.2503.00863,
title = {Systematic Literature Review on Clinical Trial Eligibility Matching},
author = {Muhammad Talha Sharif and Abdul Rehman},
journal= {arXiv preprint arXiv:2503.00863},
year = {2025}
}