Seleccionar a los pacientes para el ensayo clínico adecuado es un proceso largo y complejo que requiere asegurarse de que las necesidades del primero coinciden con los criterios y requisitos del segundo. No obstante, la
inteligencia artificial (IA) generativa podría resultar de ayuda en este sentido.
Así lo revela un estudio realizado por investigadores de los National Institutes of Health estadounidenses, en el que se desarrolló y evaluó un modelo de IA en base a
GPT-4 capaz de emparejar a pacientes con ensayos clínicos. Los resultados del trabajo se han publicado en
Nature Communications.
El rendimiento del modelo, denominado TrialGPT, se testeó con 183 resúmenes con información clínica y demográfica de pacientes con más de 75.000 anotaciones de elegibilidad para ensayos disponibles públicamente. También se realizó un estudio piloto sobre su posible uso por parte de expertos.
La precisión del modelo a la hora de emparejar a pacientes con ensayos relevantes fue cercana al 90%
TrialGPT consta de tres módulos que permiten procesar los resúmenes de los pacientes e identificar ensayos relevantes, predecir la elegibilidad de cada paciente y elaborar un listado de ensayos candidatos ordenados según ambos parámetros. Dicho listado excluye a aquellos estudios para los que el paciente no sería candidato, e incluye explicaciones sobre el cumplimiento de los criterios de inclusión de los seleccionados.
Los resultados del trabajo mostraron que el modelo era capaz de recuperar más del 90% de los ensayos relevantes. Además, al comparar sus resultados con los realizados por expertos con 1.015 pares paciente-criterio la precisión fue del 87,3%.
En el estudio piloto se pidió a dos expertos que revisaran seis resúmenes de pacientes y los emparejaran con otros tantos ensayos, pero uno de ellos podía recurrir a TrialGPT, mientras que el otro debía hacerlo de la forma tradicional. Los resultados mostraron que recurrir a la IA supuso dedicar un 42,6% menos de tiempo a la selección de los pacientes.
El siguiente paso será evaluar el rendimiento del modelo en entornos reales, pero los autores consideran que TrialGPT podría reducir considerablemente la dedicación de expertos a la hora de seleccionar a pacientes candidatos a ensayos, contribuyendo a acelerar la investigación clínica.
Referencia
Jin Q, Wang Z, Floudas CS, et al. Matching patients to clinical trials with large language models.
Nat Commun. 2024;15(1):9074. Published 2024 Nov 18.
doi:10.1038/s41467-024-53081-z
OAD-ES-AMG-0001
Aceptar y salir
