論文の概要: TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching

• arxiv url: http://arxiv.org/abs/2505.08508v1
• Date: Tue, 13 May 2025 12:39:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.556658
• Title: TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching
• Title（参考訳）: TrialMatchAI: 患者対Trialマッチングを合理化するためのAIによる治験勧告システム
• Authors: Majd Abdallah, Sigve Nakken, Mariska Bierkens, Johanna Galvis, Alexis Groppi, Slim Karkar, Lana Meiqari, Maria Alexandra Rujano, Steve Canham, Rodrigo Dienstmann, Remond Fijneman, Eivind Hovig, Gerrit Meijer, Macha Nikolski,
• Abstract要約: 本稿では,患者間マッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。 微調整されたオープンソースの大規模言語モデルに基づいて構築されたTrialMatchAIは、透明性を確保し、軽量なデプロイメントフットプリントを維持する。 現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patient recruitment remains a major bottleneck in clinical trials, calling for scalable and automated solutions. We present TrialMatchAI, an AI-powered recommendation system that automates patient-to-trial matching by processing heterogeneous clinical data, including structured records and unstructured physician notes. Built on fine-tuned, open-source large language models (LLMs) within a retrieval-augmented generation framework, TrialMatchAI ensures transparency and reproducibility and maintains a lightweight deployment footprint suitable for clinical environments. The system normalizes biomedical entities, retrieves relevant trials using a hybrid search strategy combining lexical and semantic similarity, re-ranks results, and performs criterion-level eligibility assessments using medical Chain-of-Thought reasoning. This pipeline delivers explainable outputs with traceable decision rationales. In real-world validation, 92 percent of oncology patients had at least one relevant trial retrieved within the top 20 recommendations. Evaluation across synthetic and real clinical datasets confirmed state-of-the-art performance, with expert assessment validating over 90 percent accuracy in criterion-level eligibility classification, particularly excelling in biomarker-driven matches. Designed for modularity and privacy, TrialMatchAI supports Phenopackets-standardized data, enables secure local deployment, and allows seamless replacement of LLM components as more advanced models emerge. By enhancing efficiency and interpretability and offering lightweight, open-source deployment, TrialMatchAI provides a scalable solution for AI-driven clinical trial matching in precision medicine.
• Abstract（参考訳）: 患者の採用は、スケーラブルで自動化されたソリューションを求める臨床試験において、依然として大きなボトルネックとなっている。 我々は、構造化された記録や非構造化の医師ノートを含む異種臨床データを処理して、患者と臨床のマッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。 TrialMatchAIは、検索強化された生成フレームワーク内で、微調整されたオープンソースの大規模言語モデル(LLM)に基づいて構築されており、透明性と再現性を確保し、臨床環境に適した軽量なデプロイメントフットプリントを維持している。 本システムは、バイオメディカルエンティティを標準化し、語彙的および意味的類似性を組み合わせたハイブリッド検索戦略を用いて関連するトライアルを検索し、結果を再ランクし、医学的連鎖推論を用いて基準レベルの適性評価を行う。 このパイプラインは、トレーサブルな決定的根拠を備えた説明可能なアウトプットを提供する。 現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。 総合的および実際の臨床データセットによる評価は、最先端のパフォーマンスを確認し、専門家による評価は、基準レベルの適性分類において90%以上の精度、特にバイオマーカー駆動のマッチにおいて優れていた。 モジュール性とプライバシのために設計されたTrialMatchAIは、Phenopackets標準化されたデータをサポートし、セキュアなローカルデプロイメントを可能にし、より高度なモデルが出現するにつれてLLMコンポーネントをシームレスに置き換えることを可能にする。 TrialMatchAIは、効率性と解釈可能性を高め、軽量でオープンソースのデプロイメントを提供することで、精密医療におけるAI駆動の臨床試験マッチングのためのスケーラブルなソリューションを提供する。

関連論文リスト

• Systematic Literature Review on Clinical Trial Eligibility Matching [0.24554686192257422]
  レビューでは、説明可能なAIと標準化されたオントロジーがクリニックの信頼を高め、採用を広げる方法が強調されている。 臨床治験採用におけるNLPの変革的ポテンシャルを十分に実現するためには、高度な意味的および時間的表現、拡張されたデータ統合、厳密な予測的評価のさらなる研究が必要である。
  論文  参考訳（メタデータ） (2025-03-02T11:45:50Z)
• End-To-End Clinical Trial Matching with Large Language Models [0.6151041580858937]
  大言語モデル(LLM)を用いた臨床試験のためのエンドツーエンドパイプラインを提案する。 本研究は,93.3%の症例において関連する候補試験を同定し,88.0%の予備的精度を達成している。 私たちの完全なエンドツーエンドパイプラインは、自律的または人間の監督の下で運用することができ、オンコロジーに限定されません。
  論文  参考訳（メタデータ） (2024-07-18T12:36:26Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Zero-Shot Clinical Trial Patient Matching with LLMs [40.31971412825736]
  大規模言語モデル(LLM)は、自動スクリーニングの有望なソリューションを提供する。 我々は,患者の診療歴を非構造的臨床テキストとして考慮し,その患者が包括的基準を満たしているかどうかを評価するLCMベースのシステムを構築した。 提案システムは,n2c2 2018コホート選択ベンチマークにおいて,最先端のスコアを達成している。
  論文  参考訳（メタデータ） (2024-02-05T00:06:08Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。