論文の概要: AI-assisted Protocol Information Extraction For Improved Accuracy and Efficiency in Clinical Trial Workflows

• arxiv url: http://arxiv.org/abs/2602.00052v1
• Date: Mon, 19 Jan 2026 18:38:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.275898
• Title: AI-assisted Protocol Information Extraction For Improved Accuracy and Efficiency in Clinical Trial Workflows
• Title（参考訳）: クリニカルトライアルワークフローにおける精度と効率向上のためのAI支援プロトコル情報抽出
• Authors: Ramtin Babaeipour, François Charest, Madison Wright,
• Abstract要約: プロトコルコンテンツを標準フォーマットに構造化することは、効率を改善し、ドキュメントの品質をサポートし、コンプライアンスを強化する可能性がある。 自動治験プロトコル情報抽出のためのRAG(RetrievalAugmented Generation)を用いた生成LDMを用いた人工知能(AI)システムの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Increasing clinical trial protocol complexity, amendments, and challenges around knowledge management create significant burden for trial teams. Structuring protocol content into standard formats has the potential to improve efficiency, support documentation quality, and strengthen compliance. We evaluate an Artificial Intelligence (AI) system using generative LLMs with Retrieval-Augmented Generation (RAG) for automated clinical trial protocol information extraction. We compare the extraction accuracy of our clinical-trial-specific RAG process against that of publicly available (standalone) LLMs. We also assess the operational impact of AI-assistance on simulated extraction CRC workflows. Our RAG process was measured as more accurate (87.8%) than standalone LLMs with fine-tuned prompts (62.6%) against expert-supported reference annotations. In the simulated extraction workflows, AI-assisted tasks were completed 40% faster, rated as less cognitively demanding and strongly preferred by users. While expert oversight remains essential, this suggests that AI-assisted extraction can enable protocol intelligence at scale, motivating the integration of similar methodologies into real world clinical workflows to further validate its impact on feasibility, study start-up, and post-activation monitoring.
• Abstract（参考訳）: 臨床試験プロトコルの複雑さの増加、知識管理に関する修正、課題は、トライアルチームにとって重大な負担となる。 プロトコルコンテンツを標準フォーマットに構造化することは、効率を改善し、ドキュメントの品質をサポートし、コンプライアンスを強化する可能性がある。 自動治験プロトコル情報抽出にRAG(Retrieval-Augmented Generation)を用いた生成LDMを用いた人工知能(AI)システムの評価を行った。 臨床・臨床的に特異的なRAGプロセスの抽出精度を,一般用(スタンドアローン)LCMと比較した。 また,AI支援がCRCワークフローのシミュレーション抽出に与える影響についても検討した。 我々のRAGプロセスは、専門家支援参照アノテーションに対する微調整プロンプト(62.6%)を持つスタンドアロンLCMよりも正確(87.8%)であった。 シミュレーションされた抽出ワークフローでは、AI支援タスクが40%高速に完了し、認知的要求が小さく、ユーザが強く好むと評価された。 専門家による監視は依然として不可欠だが、これはAI支援による抽出がプロトコルインテリジェンスを大規模に実現し、類似した方法論を現実の臨床ワークフローに統合することで、実現可能性、スタートアップの研究、そしてポストアクティベーション監視への影響をさらに検証することを示唆している。

関連論文リスト

• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• Leveraging AI to Accelerate Medical Data Cleaning: A Comparative Study of AI-Assisted vs. Traditional Methods [3.2666593942117688]
  Octoziは、大規模な言語モデルとドメイン固有性を組み合わせて医療データレビューを変換する人工知能支援プラットフォームである。 代表的な第3相腫瘍学試験の経済分析により、潜在的コスト削減は510万ドルであることが判明した。
  論文  参考訳（メタデータ） (2025-08-07T15:49:32Z)
• TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-13T12:39:06Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• Towards Conditioning Clinical Text Generation for User Control [2.009205898486993]
  本稿では,Large Language Models (LLMs) を人間のプロキシとして用いて,認知作業量の増加を伴わずに,クリニカルコントロールのためのLLMを条件とした自動データセット拡張について検討する。 我々は、より効率的なトレーニングにより、従来の提案よりもシンプルな方法で新しい最先端の成果を達成し、強化トレーニングなしで9%の相対的な改善を実現し、データセット拡張で最大34%を達成した。
  論文  参考訳（メタデータ） (2025-02-24T19:00:13Z)
• Advancing Healthcare Automation: Multi-Agent System for Medical Necessity Justification [0.0]
  本稿では,LLMエージェントを利用したマルチエージェントシステム(MAS)の優先オーソライゼーションタスクの自動化について検討する。 GPT-4のチェックリストは,証拠による項目レベルの判断の精度が86.2%,総合的なチェックリスト判定の精度が95.6%であることを示す。
  論文  参考訳（メタデータ） (2024-04-27T18:40:05Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• 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)

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。