Clinical Trial Matching: AI จับคู่ผู้ป่วยกับการวิจัยโรคมะเร็ง

Clinical Trial Matching: AI จับคู่ผู้ป่วยกับการวิจัยโรคมะเร็ง

หากคุณทำงานด้านเนื้องอกวิทยาหรือการประสานงานด้านการทดลองทางคลินิกกับมะเร็ง คุณรู้อยู่แล้วว่าตัวเลขไม่ได้ผลกับคุณหรือผู้ป่วยของคุณเสมอไปทุกปี ชาวยุโรป 4.2 ล้านคนเป็นมะเร็ง ร่วมกับพลเมือง 18.1 ล้านคนในการต่อสู้กับโรคนี้ นั่นเป็นตัวเลขที่น่าสยดสยองและน่าสังเวช ไม่เพียงแต่สำหรับผู้ป่วยที่เป็นมะเร็งเท่านั้น แต่ยังสำหรับนักวิจัยและผู้ให้บริการที่มุ่งเน้นการหาวิธีรักษาที่มีประสิทธิภาพสำหรับผู้ป่วยเหล่านั้นด้วย ทว่าในปี 2558 และ 2559 มีผู้ป่วยเพียง 7,691 รายที่ได้รับการอนุมัติให้เข้าร่วมการทดลองด้านเนื้องอกวิทยาทั่วโลก

ตัดการเชื่อมต่ออยู่ที่ไหน? นักวิจัยไม่สามารถหาผู้ป่วยที่เหมาะสม 

(หมายถึงมีสิทธิ์) หรือไม่? ผู้ป่วยไม่ทราบทางเลือกของพวกเขาหรือไม่? ผู้ประสานงานการทดลองทางคลินิกมีตัวเลือกมากมายหรือไม่? เนื้องอกวิทยาถูกน้ำท่วมด้วยข้อมูลใหม่ที่จะย่อยหรือไม่?

กระบวนการด้วยตนเอง ข้อมูลที่ไม่มีโครงสร้าง และเกณฑ์ที่ไม่ชัดเจน

โดยทั่วไป ปัญหาอยู่ที่การค้นหาข้อมูลเชิงลึกภายในข้อมูลที่มีอยู่ — การระบุผู้ป่วยที่เหมาะสมด้วยคุณลักษณะทางคลินิกที่เหมาะสม ซึ่งตรงตามเกณฑ์คุณสมบัติที่จำเพาะเจาะจงสูงสำหรับการคัดเลือกคนเข้าศึกษาทางคลินิกที่เกี่ยวข้อง

กระบวนการระบุการจับคู่ข้อมูลนั้นน่ากลัว และที่ศูนย์การแพทย์ส่วนใหญ่ ก็ยังคงดำเนินการด้วยตนเอง เจ้าหน้าที่มีหน้าที่ตรวจสอบบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) ที่ซับซ้อนและมีความยาว และสร้างสเปรดชีตหลายแง่มุมเพื่อเป็นแนวทางในการจับคู่

AI สามารถรับรายการเกณฑ์ที่ไม่มีโครงสร้าง ไม่แน่นอน และมีความยาวได้ และเรียนรู้วิธีตีความข้อกำหนดของการทดลองโดยพิจารณาจากกรณีของผู้ป่วยทุกราย

เรื่องที่ซับซ้อนคือข้อเท็จจริงที่ว่าประมาณ 80 เปอร์เซ็นต์ของข้อมูลการดูแลสุขภาพไม่มีโครงสร้างทำให้การจัดวางตามกฎเกณฑ์แบบเดิมระหว่างผู้ป่วยและการทดลองทำได้ยาก นอกจากนี้ เกณฑ์การทดลองใช้อาจคลุมเครือหรือไม่สมบูรณ์

จะแก้ปัญหาการระบุตัวการทดลองทางคลินิกที่ยุ่งยากได้อย่างไร? ปัญญาประดิษฐ์.

วิวัฒนาการของกระบวนการคัดกรองโดยใช้ปัญญาประดิษฐ์

 (AI) ถูกขับเคลื่อนโดยความจำเป็นเร่งด่วนในการทำให้ขั้นตอนการระบุการทดลองใช้ข้อมูลเป็นไปโดยอัตโนมัติ และเพิ่มความเร็วในการจับคู่

โซลูชันที่ใช้ AI สามารถนำเข้าและเชื่อมโยงข้อมูล EHR ของผู้ป่วยทั้งแบบมีโครงสร้างและไม่มีโครงสร้างจำนวนมากและเอกสารทางการแพทย์ ตลอดจนข้อมูลการทดลองใช้และเกณฑ์คุณสมบัติจาก Clinicaltrials.gov ซึ่งเป็นทะเบียนการศึกษาวิจัยที่ได้รับการสนับสนุนจากภาครัฐและเอกชนซึ่งดำเนินการใน 205 ประเทศ . แม้ว่าจะไม่มีการศึกษาทุกรายการที่กำลังดำเนินการอยู่ทั่วโลก แต่ก็เป็นเว็บไซต์ที่ครอบคลุมที่สุดในลักษณะเดียวกัน ทำให้การนำทางเป็นฐานข้อมูล EHR ขนาดใหญ่มีความท้าทายพอๆ กัน

การใช้การประมวลผลภาษาธรรมชาติทำให้ระบบที่ใช้ AI สามารถวิเคราะห์ข้อมูลที่รวบรวมได้ทั้งหมด และ AI สามารถรับรายการเกณฑ์ที่ไม่มีโครงสร้าง ไม่แน่นอน และมีความยาว และเรียนรู้วิธีตีความข้อกำหนดของการทดลองตามกรณีของผู้ป่วยทุกราย

ดังนั้น โซลูชันที่ใช้ AI สามารถเข้าใจทั้งข้อมูลทางคลินิกในเวชระเบียนและเกณฑ์การรวม/ยกเว้นของการทดลอง และสามารถทำได้อย่างรวดเร็ว ทำให้กระบวนการมีประสิทธิภาพมากขึ้นและให้ผู้ใช้สามารถคัดกรองผู้ป่วยได้มากขึ้น ในการศึกษาหนึ่งของ IBM Watson Health การระบุด้วย AI ช่วยลดเวลาในการคัดกรองผู้ป่วยสำหรับคุณสมบัติในการทดลองทางคลินิกได้ 78 เปอร์เซ็นต์1

เจ้าหน้าที่สามารถเข้าดูรายการการทดลองจัดอันดับสำหรับผู้ป่วยหรือรายชื่อผู้ป่วยที่อาจเข้าเกณฑ์สำหรับการทดลองทางคลินิกได้ในไม่กี่นาที วัตสันยังสรุปลักษณะเฉพาะที่สำคัญที่สุดในการจำกัดตัวเลือกการทดลองใช้ให้แคบลง และให้การวิเคราะห์โดยละเอียดเกี่ยวกับเกณฑ์การมีสิทธิ์ สิ่งที่สำคัญพอๆ กันคือ มีรายการการทดลองที่ผู้ป่วยได้รับการยกเว้นตามคุณสมบัติ

AI สามารถทำงานได้ซึ่งโดยทั่วไปจะใช้เวลาหลายชั่วโมงกว่าจะเสร็จสมบูรณ์ และเปิดเผยข้อมูลที่อาจจะพลาดหากคุณจัดการการคัดเลือกคนเข้าทำงานด้วยตนเอง

จากการวิเคราะห์โดยละเอียดนั้น แพทย์สามารถตัดสินใจได้ว่าการทดลองใดที่จะสำรวจเพิ่มเติมเพื่อเป็นทางเลือกในการรักษา และผู้ประสานงานการทดลองวิจัยสามารถตรวจสอบผู้ป่วยที่มีอยู่ได้อย่างต่อเนื่องเพื่อดูคุณสมบัติที่อาจมีศักยภาพในการบรรลุเป้าหมายการสรรหาบุคลากร

credit : เคล็ดลับต่างๆ | เว็บรวมวิธีต่างๆ How to | จัดอันดับซีรีย์ | รีวิวครีม