Des chercheurs des National Institutes of Health (NIH) ont développé un algorithme d'intelligence artificielle (IA) pour accélérer le processus de mise en correspondance de volontaires potentiels avec des essais de recherche clinique pertinents répertoriés sur ClinicalTrials.gov. Une étude publiée dans Communications naturelles a découvert que l'algorithme d'IA, appelé TrialGPT, pouvait identifier avec succès les essais cliniques pertinents pour lesquels une personne est éligible et fournir un résumé expliquant clairement comment cette personne répond aux critères d'inscription à l'étude. Les chercheurs ont conclu que cet outil pourrait aider les cliniciens à naviguer dans la gamme vaste et en constante évolution des essais cliniques disponibles pour leurs patients, ce qui pourrait conduire à une meilleure inscription aux essais cliniques et à des progrès plus rapides dans la recherche médicale.
Une équipe de chercheurs de la National Library of Medicine (NLM) du NIH et du National Cancer Institute a exploité la puissance des grands modèles linguistiques (LLM) pour développer un cadre innovant pour TrialGPT afin de rationaliser le processus d'appariement des essais cliniques. TrialGPT traite d’abord un résumé du patient, qui contient des informations médicales et démographiques pertinentes. L'algorithme identifie ensuite les essais cliniques pertinents de ClinicalTrials.gov pour lesquels un patient est éligible et exclut les essais pour lesquels il n'est pas éligible. TrialGPT explique ensuite comment la personne répond aux critères d'inscription à l'étude. Le résultat final est une liste annotée d'essais cliniques, classés par pertinence et éligibilité, que les cliniciens peuvent utiliser pour discuter des opportunités d'essais cliniques avec leur patient.
« L'apprentissage automatique et la technologie de l'IA se sont révélés prometteurs en matière d'appariement des patients avec les essais cliniques, mais leur application pratique au sein de diverses populations devait encore être explorée », a déclaré Stephen Sherry, PhD, directeur par intérim du NLM. « Cette étude montre que nous pouvons exploiter de manière responsable la technologie de l'IA afin que les médecins puissent connecter leurs patients à un essai clinique pertinent qui pourrait les intéresser avec encore plus de rapidité et d'efficacité. »
Pour évaluer dans quelle mesure TrialGPT prédisait si un patient répondait à une exigence spécifique pour un essai clinique, les chercheurs ont comparé les résultats de TrialGPT à ceux de trois cliniciens humains qui ont évalué plus de 1 000 paires patient-critère. Ils ont constaté que TrialGPT atteignait presque le même niveau de précision que les cliniciens.
De plus, les chercheurs ont mené une étude pilote auprès des utilisateurs, dans laquelle ils ont demandé à deux cliniciens humains d'examiner six résumés anonymes de patients et de les associer à six essais cliniques. Pour chaque paire de patients et d'essais, il a été demandé à un clinicien d'examiner manuellement les résumés des patients, de vérifier si la personne était éligible et de décider si le patient pouvait se qualifier pour l'essai. Pour la même paire patient-essai, un autre clinicien a utilisé TrialGPT pour évaluer l'éligibilité du patient. Les chercheurs ont découvert que lorsque les cliniciens utilisent TrialGPT, ils passaient 40 % de temps en moins à examiner les patients tout en conservant le même niveau de précision.
Les essais cliniques révèlent d’importantes découvertes médicales qui améliorent la santé, et les participants potentiels découvrent souvent ces opportunités par l’intermédiaire de leurs cliniciens. Cependant, trouver le bon essai clinique pour les participants intéressés est un processus long et gourmand en ressources, qui peut ralentir d’importantes recherches médicales.
Notre étude montre que TrialGPT pourrait aider les cliniciens à connecter plus efficacement leurs patients aux opportunités d'essais cliniques et à gagner un temps précieux qui pourrait être mieux consacré à des tâches plus difficiles nécessitant une expertise humaine.
Zhiyong Lu, PhD, chercheur principal NLM et auteur correspondant de l'étude
Compte tenu des résultats prometteurs de l'analyse comparative, l'équipe de recherche a été récemment sélectionnée pour le prix de l'innovation du défi du directeur afin d'évaluer davantage les performances et l'équité du modèle dans des contextes cliniques réels. Les chercheurs prévoient que ces travaux pourraient rendre le recrutement pour les essais cliniques plus efficace et contribuer à réduire les obstacles à la participation des populations sous-représentées dans la recherche clinique.
L'étude a été co-écrite par des collaborateurs de l'Albert Einstein College of Medicine de New York ; Université de Pittsburgh ; Université de l'Illinois Urbana-Champaign ; et Université du Maryland, College Park.
