TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching
Created by
Haebom
저자
Majd Abdallah, Sigve Nakken, Mariska Bierkens, Johanna Galvis, Alexis Groppi, Slim Karkar, Lana Meiqari, Maria Alexandra Rujano, Steve Canham, Rodrigo Dienstmann, Remond Fijneman, Eivind Hovig, Gerrit Meijer, Macha Nikolski
개요
TrialMatchAI는 임상 시험 환자 모집의 어려움을 해결하기 위해 개발된 AI 기반 환자-시험 매칭 추천 시스템입니다. 구조화된 의료 기록과 비구조화된 의사 노트를 포함한 이종 의료 데이터를 처리하여 환자를 적합한 임상 시험에 매칭합니다. 미세 조정된 오픈소스 대규모 언어 모델(LLM)과 검색 증강 생성 프레임워크를 기반으로 투명성과 재현성을 보장하며, 임상 환경에 적합한 경량 배포를 지원합니다. 의료 Chain-of-Thought 추론을 사용하여 기준 수준의 적격성 평가를 수행하고 추적 가능한 의사 결정 근거를 제공합니다. 실제 환경 검증 결과, 암 환자의 92%가 상위 20개 추천 내에서 적어도 하나의 관련 시험을 찾았습니다. 합성 및 실제 임상 데이터 세트에서 최첨단 성능을 확인했으며, 전문가 평가에서 기준 수준의 적격성 분류 정확도가 90%를 넘었습니다. 특히 바이오마커 기반 매칭에서 뛰어난 성능을 보였습니다. 모듈성과 개인 정보 보호를 위해 Phenopackets 표준 데이터를 지원하고, 안전한 로컬 배포를 가능하게 하며, 더욱 발전된 모델이 등장함에 따라 LLM 구성 요소를 원활하게 교체할 수 있습니다.
시사점, 한계점
•
시사점:
◦
AI 기반 환자-시험 매칭의 효율성 및 해석성 향상.
◦
경량의 오픈소스 배포를 통한 확장 가능한 솔루션 제공.
◦
정밀 의학에서 AI 기반 임상 시험 매칭에 대한 새로운 접근법 제시.
◦
바이오마커 기반 매칭에서 높은 정확도 달성.
◦
Phenopackets 표준 데이터 지원 및 안전한 로컬 배포 가능.
•
한계점:
◦
현재는 주로 암 환자 데이터에 대한 검증 결과만 제시되어 다른 질병 영역으로의 일반화 가능성에 대한 추가 연구 필요.
◦
LLM 의존도가 높아 LLM의 한계(예: 편향, 오류)가 시스템 성능에 영향을 미칠 수 있음.
