辛辛那提-临床试验是为有需要的人提供新疗法的重要工具，但研究表明，难以找到合适的志愿者受试者可能会削弱这些研究的有效性。辛辛那提儿童医院医疗中心的研究人员设计并测试了一种新的计算机化解决方案，该解决方案使用人工智能(AI)从电子健康记录(EHR)中有效识别符合条件的受试者，这样繁忙的临床工作人员就可以将有限的时间集中在以最高质量评估候选人上。
这项研究在线发表在JMIR医学信息学上。它表明，与人工筛选EHR以确定研究候选人相比，这个名为“自动临床试验限定者”(ACTES)的系统将患者的筛选时间缩短了34%，并将患者的登记率提高了11.1%。该系统还将筛查的患者数量增加了14.7%，接近的患者数量增加了11.1%。
繁忙的急诊科通常是临床试验协调员，寻找可能是优秀候选人的优秀地方。该研究的首席研究员、来自生物医学信息学系的YizhaoNi博士表示，ACTES旨在简化临床试验的招聘流程，而临床试验往往被证明效率低下，而且并不总能吸引到足够多的合格候选人。
倪说：“由于记录的数据量很大，现在用来查找相关信息的招聘过程在短时间内非常耗费人力。“通过使用自然语言处理和机器学习技术，ACTES可以快速分析不同类型的数据，并自动确定患者对临床试验的适用性。”
这是如何工作的？
该系统具有自然语言处理功能。当系统分析大量语言数据时，计算机可以理解和解释人类语言。机器学习允许计算机系统自动学习和开发经验，而无需特殊编程。这使得计算机程序能够独立处理数据、提取信息和生成知识。
该系统自动从EHR提取结构化信息，如患者人口统计和临床评估。它还识别临床记录中的非结构化信息，包括患者的临床状况、症状、治疗等。然后，将提取的信息与资格要求进行匹配，以确定受试者是否适合特定的临床试验。
据研究人员称，该系统的机器学习组件还允许它从历史注册中学习，以改进其未来的建议。大部分分析都是由精心设计的AI算法来处理的，这些算法基本上是计算机通过执行一系列指定的操作来解决问题的过程或公式。
高级临床设置
此前，该系统在《美国医学信息学协会杂志》2015年发表的一项回顾性研究中得到成功测试。目前，该研究在繁忙的急诊室环境中对该解决方案进行了前瞻性和实时性测试，临床研究协调员招募患者进行了六项涉及不同疾病的不同儿科临床试验。
这项技术在现场临床环境中的应用涉及数据科学家、应用程序开发人员、信息服务技术人员、最终用户和临床医生之间的重要协作。
“由于该机构的协作环境，我们成功地将不同的专家组纳入了设计该AI解决方案的集成过程中。”倪说。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！