論文の概要: Towards AI-Assisted Clinical Trial Matching: Practical Considerations, Multicenter Evaluation, and Real-World Deployment

• arxiv url: http://arxiv.org/abs/2609.01202v1
• Date: Tue, 01 Sep 2026 13:11:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.675112
• Title: Towards AI-Assisted Clinical Trial Matching: Practical Considerations, Multicenter Evaluation, and Real-World Deployment
• Title（参考訳）: AIによる治験マッチングに向けて:実践的考察,マルチセンター評価,実世界展開
• Authors: Yin Fang, Qiao Jin, Shubo Tian, Lauren He, Maya Geer, Noor Naffakh, Ryan Huu-Tuan Nguyen, Zifeng Wang, Jimeng Sun, Charalampos S. Floudas, James L. Gulley, Kamilia Moalem, Catarina Martins Maia, Amanda Nottke, Juan W. Valle, Melinda Bachini, Lourdes Rocha-Nussbaum, Kari Ramage, Nikita Curry, Megan Barnes, Mandy Mansaray, Darlene Gabeau, Craig E. Grossman, Heath Skinner, Michael Burczynski, NIH-TrialBench Consortium, Zhiyong Lu,
• Abstract要約: 本稿では,現実のデプロイメント用に設計されたAI支援臨床試験レコメンデーションシステムTrialGPT 2.0を提案する。 患者に資格を与えるかどうかを問うのではなく、TrialGPT 2.0は、どの治験がさらなる検討を保証できるかを評価する。 TrialGPT 2.0は、約91%の患者に対して、トップ10の勧告で少なくとも1つの臨床医が推奨する臨床試験を回収した。
• 参考スコア（独自算出の注目度）: 17.27078524771392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical trials are essential for advancing cancer care and drug development, but many fail because of insufficient patient enrollment. While there is growing interest in using AI to support patient recruitment, existing systems largely perform eligibility assessment alone and have rarely been evaluated in real-world oncology workflows. Here we present TrialGPT 2.0, an AI-assisted clinical trial recommendation system designed for real-world deployment. Rather than asking only whether a patient may qualify, the system also assesses which trials warrant further consideration given the patient's current clinical needs and local workflow priorities, and provides structured, inspectable explanations for expert review. Importantly, we evaluated TrialGPT 2.0 retrospectively and prospectively across multiple oncology-focused settings, spanning government, academic cancer-center, patient-advocacy, and NIH referral workflows. In retrospective multicenter cohorts comprising 288 cases, TrialGPT 2.0 retrieved at least one clinician-recommended trial in its top 10 recommendations for approximately 91% of cases while reducing clinician screening time by 55.0%. In a six-month prospective evaluation embedded in an active precision oncology tumor board, TrialGPT 2.0 contributed additional trial opportunities missed by the routine workflow, expanding patient access to clinical trial participation by 90.9%. To support scientific reproducibility, we also introduce NIH-TrialBench, a clinician-authored dataset comprising 126 diverse synthetic patient vignettes and matching scenarios from 11 NIH Institutes and Centers. Together, these results support the value of AI to assist clinical trial matching by improving clinician efficiency and identifying frequently overlooked trial opportunities, ultimately helping to expand and accelerate accrual to cancer trials.
• Abstract（参考訳）: 臨床試験はがん治療や薬物開発に欠かせないが、多くの患者が入院不足のために失敗する。 患者採用を支援するためにAIを使うことへの関心が高まっている一方で、既存のシステムは、主に資格評価のみを実行しており、現実世界のオンコロジーワークフローで評価されることはめったにない。 本稿では,現実のデプロイメント用に設計されたAI支援臨床試験レコメンデーションシステムTrialGPT 2.0を紹介する。 患者に資格を与えるかどうかを問うのではなく、患者の現在の臨床ニーズと局所的なワークフローの優先順位を考慮し、専門家のレビューのために構造化された検査可能な説明を提供する。 重要なことは、TrialGPT 2.0を、政府、学術的がん中心、患者アドボケーション、NIH参照ワークフローなど、複数のオンコロジーに焦点をあてて、遡及的に評価したことである。 288例からなる振り返り多施設コホートにおいて、TrialGPT 2.0は、臨床検診時間を55.0%削減しつつ、約91%の患者に対して、少なくとも1つの臨床推奨試験をトップ10の勧告で回収した。 活動精度オンコロジー腫瘍ボードに埋め込まれた6ヶ月の予測評価において、TrialGPT 2.0は、通常のワークフローで見逃されたさらなる臨床試験の機会を提供し、臨床試験への患者アクセスを90.9%拡大した。 また, NIH-TrialBenchは, 11のNIH研究所とセンターから, 126の多様な合成患者ビグネットとマッチングシナリオからなる臨床用データセットである。 これらの結果は、臨床の効率を改善し、しばしば見落とされがちな臨床試験機会を特定し、最終的にはがん治験の拡大と加速を支援することで、臨床治験のマッチングを支援するAIの価値を支えている。

関連論文リスト

• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments [53.76751756107077]
  臨床人工知能(AI)エージェントを模擬多ターン臨床で訓練するための強化学習(RL)手法であるResidencyRLを提案する。 ホールドアウト評価では、ResidencyRLエージェントは、対向条件下で診断精度を7.0%向上させる。 盲目の専門医はこれらの利得を検証し、訓練されたエージェントをサイドバイサイド比較の87.6%で好んだ。
  論文  参考訳（メタデータ） (2026-08-07T17:04:41Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Emulating Clinician Cognition via Self-Evolving Deep Clinical Research [104.66211772795747]
  このギャップを橋渡しする自己進化型診断剤DxEvolveを,インタラクティブな深層臨床研究ワークフローを通じて開発しました。 MIMIC-CDMベンチマークでは、DxEvolveは平均オーバーボーンモデルで診断精度を11.2%改善した。 DxEvolveは、経験を管理可能な学習資産に変えることによって、臨床AIの継続的な進化のための説明可能な経路をサポートする。
  論文  参考訳（メタデータ） (2026-03-11T11:41:51Z)
• 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)
• Recommending Clinical Trials for Online Patient Cases using Artificial Intelligence [4.272774624624429]
  われわれはTrialGPTを用いて,50例のオンライン患者を臨床試験に適合させ,従来のキーワード検索と比較して評価した。 以上の結果から,TrialGPTは従来の方法よりも46%優れており,各患者は平均で約7回の治験が可能であった。
  論文  参考訳（メタデータ） (2025-04-15T21:56:36Z)
• 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)
• Matching Patients to Clinical Trials with Large Language Models [29.265158319106604]
  本稿では,大規模言語モデルを用いたゼロショット患者間マッチングのためのエンドツーエンドフレームワークTrialGPTを紹介する。 TrialGPTは3つのモジュールから構成されており、まず大規模フィルタリングを行い、候補トライアル(TrialGPT-Retrieval)を検索し、次に基準レベルの患者資格(TrialGPT-Matching)を予測し、最終的にトライアルレベルのスコア(TrialGPT-Ranking)を生成する。
  論文  参考訳（メタデータ） (2023-07-27T17:56:56Z)
• Utilizing ChatGPT to Enhance Clinical Trial Enrollment [2.3551878971309947]
  本稿では,大規模言語モデルであるChatGPTを用いて患者関連情報を非構造化臨床ノートから抽出する自動アプローチを提案する。 2つのベンチマーク検索コレクションで実施した経験的評価では,既存手法と比較して検索性能が向上した。 以上の結果から,ChatGPTを医療サービスの品質を確保し,患者への直接的なリスクを最小限に抑えつつ,臨床治験の増進に活用する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-03T10:54:23Z)

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。