{"id":9968,"date":"2024-02-13T13:08:02","date_gmt":"2024-02-13T13:08:02","guid":{"rendered":"https:\/\/dailyai.com\/?p=9968"},"modified":"2024-02-13T13:08:02","modified_gmt":"2024-02-13T13:08:02","slug":"gpt-4v-offers-big-benefits-in-clinical-trial-screening","status":"publish","type":"post","link":"https:\/\/dailyai.com\/da\/2024\/02\/gpt-4v-offers-big-benefits-in-clinical-trial-screening\/","title":{"rendered":"GPT-4V giver store fordele ved screening af kliniske fors\u00f8g"},"content":{"rendered":"

Screening af patienter for at finde egnede deltagere til kliniske fors\u00f8g er en arbejdskr\u00e6vende, dyr og fejlbeh\u00e6ftet opgave, men AI kan snart l\u00f8se det.<\/strong><\/p>\n

Et hold forskere fra Brigham and Women's Hospital, Harvard Medical School og Mass General Brigham Personalized Medicine gennemf\u00f8rte en unders\u00f8gelse for at se, om en AI-model kunne behandle l\u00e6gejournaler for at finde egnede kandidater til kliniske fors\u00f8g.<\/p>\n

De brugte GPT-4V, OpenAI's LLM med billedbehandling, aktiveret af Retrieval-Augmented Generation (RAG) til at behandle potentielle kandidaters elektroniske sundhedsjournaler (EHR) og kliniske notater.<\/p>\n

LLM'er er tr\u00e6net p\u00e5 forh\u00e5nd ved hj\u00e6lp af et fast datas\u00e6t og kan kun besvare sp\u00f8rgsm\u00e5l baseret p\u00e5 disse data. RAG er en teknik, der g\u00f8r det muligt for en LLM at hente data fra eksterne datakilder som internettet eller en organisations interne dokumenter.<\/p>\n

N\u00e5r deltagere udv\u00e6lges til et klinisk fors\u00f8g, afg\u00f8res deres egnethed ud fra en liste med inklusions- og eksklusionskriterier. Det indeb\u00e6rer normalt, at uddannet personale fink\u00e6mmer hundredvis eller tusindvis af patienters EPJ'er for at finde dem, der matcher kriterierne.<\/p>\n

Forskerne indsamlede data fra et fors\u00f8g, der havde til form\u00e5l at rekruttere patienter med symptomatisk hjertesvigt. De brugte disse data til at se, om GPT-4V med RAG kunne g\u00f8re arbejdet mere effektivt end fors\u00f8gspersonalet, samtidig med at n\u00f8jagtigheden blev opretholdt.<\/p>\n

De strukturerede data i de potentielle kandidaters EPJ'er kan bruges til at fastl\u00e6gge 5 ud af 6 inklusionskriterier og 5 ud af 17 eksklusionskriterier for det kliniske fors\u00f8g. Det er den nemme del.<\/p>\n

De resterende 13 kriterier skulle bestemmes ved at unders\u00f8ge ustrukturerede data i hver patients kliniske noter, hvilket er den arbejdskr\u00e6vende del, som forskerne h\u00e5bede, at AI kunne hj\u00e6lpe med.<\/p>\n

\n

\ud83d\udd0dKan @Microsoft<\/a> @Azure<\/a> @OpenAI<\/a>'s #GPT4<\/a> pr\u00e6stere bedre end et menneske til screening af kliniske fors\u00f8g? Det sp\u00f8rgsm\u00e5l stillede vi i vores seneste unders\u00f8gelse, og jeg er meget begejstret for at kunne dele vores resultater i preprint:https:\/\/t.co\/lhOPKCcudP<\/a>
\nAt integrere GPT4 i kliniske fors\u00f8g er ikke...<\/p>\n

- Ozan Unlu (@OzanUnluMD) 9. februar 2024<\/a><\/p><\/blockquote>\n