Mise à l'échelle de la correspondance des essais cliniques grâce aux grands modèles de langage : une étude de cas en oncologie

papers.abstract

L'appariement des essais cliniques est un processus clé dans la prestation des soins et la découverte médicale. En pratique, il est entravé par une masse écrasante de données non structurées et un traitement manuel non scalable. Dans cet article, nous menons une étude systématique sur la mise à l'échelle de l'appariement des essais cliniques à l'aide de grands modèles de langage (LLMs), en nous concentrant sur l'oncologie. Notre étude s'appuie sur un système d'appariement des essais cliniques actuellement en phase de test dans un grand réseau de santé américain. Les premiers résultats sont prometteurs : dès leur utilisation initiale, les LLMs de pointe, tels que GPT-4, sont déjà capables de structurer les critères d'éligibilité complexes des essais cliniques et d'extraire une logique d'appariement sophistiquée (par exemple, des imbrications de conditions ET/OU/NON). Bien qu'ils soient encore loin d'être parfaits, les LLMs surpassent nettement les précédentes méthodes de référence et peuvent servir de solution préliminaire pour aider à trier les candidats patients-essais avec une intervention humaine en boucle. Notre étude révèle également quelques domaines importants pour l'amélioration de l'application des LLMs à l'appariement end-to-end des essais cliniques, tels que les limitations de contexte et la précision, notamment dans la structuration des informations des patients à partir des dossiers médicaux longitudinaux.

English

Clinical trial matching is a key process in health delivery and discovery. In practice, it is plagued by overwhelming unstructured data and unscalable manual processing. In this paper, we conduct a systematic study on scaling clinical trial matching using large language models (LLMs), with oncology as the focus area. Our study is grounded in a clinical trial matching system currently in test deployment at a large U.S. health network. Initial findings are promising: out of box, cutting-edge LLMs, such as GPT-4, can already structure elaborate eligibility criteria of clinical trials and extract complex matching logic (e.g., nested AND/OR/NOT). While still far from perfect, LLMs substantially outperform prior strong baselines and may serve as a preliminary solution to help triage patient-trial candidates with humans in the loop. Our study also reveals a few significant growth areas for applying LLMs to end-to-end clinical trial matching, such as context limitation and accuracy, especially in structuring patient information from longitudinal medical records.

Mise à l'échelle de la correspondance des essais cliniques grâce aux grands modèles de langage : une étude de cas en oncologie

Scaling Clinical Trial Matching Using Large Language Models: A Case Study in Oncology

papers.abstract

Support