論文の概要: AI-assisted workflow enables rapid, high-fidelity breast cancer clinical trial eligibility prescreening
- arxiv url: http://arxiv.org/abs/2511.05696v1
- Date: Fri, 07 Nov 2025 20:27:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.53366
- Title: AI-assisted workflow enables rapid, high-fidelity breast cancer clinical trial eligibility prescreening
- Title（参考訳）: AIが支援するワークフローは、迅速な高忠実度乳がん臨床試験の事前スクリーニングを可能にする
- Authors: Jacob T. Rosenthal, Emma Hahesy, Sulov Chalise, Menglei Zhu, Mert R. Sabuncu, Lior Z. Braunstein, Anyi Li,
- Abstract要約: 臨床テキストから自動検査を行うAIシステムMSK-MATCH(Memorial Sloan Kettering Multi-Agent Trial Coordination Hub)を開発した。
MSK-MATCHは、大規模な言語モデルと、キュレートされたオンコロジートライアル知識ベースと検索強化アーキテクチャを統合している。
MSK-MATCHは、6回の乳癌治験で731人の患者から88,518人の臨床記録を振り返って分析し、61.9%の患者を自動で解決し、38.1%の人的レビューを行った。
- 参考スコア（独自算出の注目度）: 4.008304844602351
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clinical trials play an important role in cancer care and research, yet participation rates remain low. We developed MSK-MATCH (Memorial Sloan Kettering Multi-Agent Trial Coordination Hub), an AI system for automated eligibility screening from clinical text. MSK-MATCH integrates a large language model with a curated oncology trial knowledge base and retrieval-augmented architecture providing explanations for all AI predictions grounded in source text. In a retrospective dataset of 88,518 clinical documents from 731 patients across six breast cancer trials, MSK-MATCH automatically resolved 61.9% of cases and triaged 38.1% for human review. This AI-assisted workflow achieved 98.6% accuracy, 98.4% sensitivity, and 98.7% specificity for patient-level eligibility classification, matching or exceeding performance of the human-only and AI-only comparisons. For the triaged cases requiring manual review, prepopulating eligibility screens with AI-generated explanations reduced screening time from 20 minutes to 43 seconds at an average cost of $0.96 per patient-trial pair.
- Abstract（参考訳）: 臨床試験はがん治療や研究において重要な役割を担っているが、参加率は低い。
臨床テキストから自動検査を行うAIシステムMSK-MATCH(Memorial Sloan Kettering Multi-Agent Trial Coordination Hub)を開発した。
MSK-MATCHは、大規模な言語モデルと、キュレートされたオンコロジートライアル知識ベースと、ソーステキストに基づくすべてのAI予測の説明を提供する検索拡張アーキテクチャを統合している。
MSK-MATCHは、6回の乳癌治験で731人の患者から88,518人の臨床記録を振り返って分析し、61.9%の患者を自動で解決し、38.1%の人的レビューを行った。
このAI支援ワークフローは98.6%の精度、98.4%の感度、98.7%の患者レベルの適性分類、ヒトのみの比較とAIのみの比較のパフォーマンスの一致または超越性を達成した。
手動によるレビューを必要とする3歳児の場合、AIが生成する説明付き適性画面は、平均的な患者と医師のペアあたり0.96ドルで、スクリーニング時間を20分から43秒に短縮した。
関連論文リスト
- AI-Powered Early Detection of Critical Diseases using Image Processing and Audio Analysis [0.4356470230135012]
本稿では,画像解析,サーマルイメージング,音声信号処理を統合したマルチモーダル人工知能(AI)診断フレームワークを提案する。
微細調整されたMobileNetV2畳み込みニューラルネットワークは、皮膚病変分類のためのISIC 2019データセットでトレーニングされた。
ハンドクラフト機能を備えたサポートベクターマシン(SVM)は、86.4%の精度でサーマルクロート検出に使用された。
このフレームワークは、スケーラブルでリアルタイムで、アクセス可能なAIベースの事前診断型ヘルスケアソリューションへの、有望なステップを提供する。
論文 参考訳（メタデータ） (2025-10-29T06:09:17Z) - Toward the Autonomous AI Doctor: Quantitative Benchmarking of an Autonomous Agentic AI Versus Board-Certified Clinicians in a Real World Setting [0.0]
2030年までには、世界中で1100万人の医療従事者が不足していると予測されている。
エンド・ツー・エンドの大規模言語モデル(LLM)ベースのAIシステムは、実際の臨床実践において厳格に評価されていない。
論文 参考訳（メタデータ） (2025-06-27T19:04:44Z) - An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。
DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。
このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文 参考訳（メタデータ） (2025-06-25T13:42:26Z) - A Scalable Approach to Benchmarking the In-Conversation Differential Diagnostic Accuracy of a Health AI [0.0]
本研究では、健康AIシステムを評価するためのスケーラブルなベンチマーク手法を提案する。
提案手法では,14の専門分野に400の検証済み臨床ヴィグネットを用いて,現実的な臨床行為をシミュレートするためにAIを利用した患者アクターを用いた。
8月は81.8%(327/400件)の診断精度、85.0%(340/400件)のトップ2の診断精度を達成し、従来の症状チェッカーを上回った。
論文 参考訳（メタデータ） (2024-12-17T05:02:33Z) - Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
論文 参考訳（メタデータ） (2024-10-14T13:49:04Z) - 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 [54.98321887435557]
本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。
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) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z)
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。