{"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\/nb\/2024\/02\/gpt-4v-offers-big-benefits-in-clinical-trial-screening\/","title":{"rendered":"GPT-4V gir store fordeler ved screening i kliniske studier"},"content":{"rendered":"

Screening av pasienter for \u00e5 finne egnede deltakere til kliniske studier er en arbeidskrevende, kostbar og feilutsatt oppgave, men AI kan snart l\u00f8se dette problemet.<\/strong><\/p>\n

Et team av forskere fra Brigham and Women's Hospital, Harvard Medical School og Mass General Brigham Personalized Medicine gjennomf\u00f8rte en studie for \u00e5 se om en AI-modell kunne behandle medisinske journaler for \u00e5 finne egnede kandidater til kliniske studier.<\/p>\n

De brukte GPT-4V, OpenAIs LLM med bildebehandling, aktivert av Retrieval-Augmented Generation (RAG) for \u00e5 behandle potensielle kandidaters elektroniske pasientjournaler (EHR) og kliniske notater.<\/p>\n

LLM-er er forh\u00e5ndstrenet ved hjelp av et fast datasett og kan bare svare p\u00e5 sp\u00f8rsm\u00e5l basert p\u00e5 disse dataene. RAG er en teknikk som gj\u00f8r det mulig for en LLM \u00e5 hente data fra eksterne datakilder som Internett eller en organisasjons interne dokumenter.<\/p>\n

N\u00e5r deltakere skal velges ut til en klinisk studie, avgj\u00f8res deres egnethet ut fra en liste med inklusjons- og eksklusjonskriterier. Dette inneb\u00e6rer vanligvis at oppl\u00e6rt personale g\u00e5r gjennom EPJ-er til hundrevis eller tusenvis av pasienter for \u00e5 finne dem som oppfyller kriteriene.<\/p>\n

Forskerne samlet inn data fra en studie som hadde som m\u00e5l \u00e5 rekruttere pasienter med symptomatisk hjertesvikt. De brukte disse dataene for \u00e5 se om GPT-4V med RAG kunne gj\u00f8re jobben mer effektivt enn studiepersonalet gjorde, samtidig som n\u00f8yaktigheten ble opprettholdt.<\/p>\n

De strukturerte dataene i EPJ-ene til potensielle kandidater kan brukes til \u00e5 fastsette 5 av 6 inklusjonskriterier og 5 av 17 eksklusjonskriterier for den kliniske studien. Det er den enkle delen.<\/p>\n

De resterende 13 kriteriene m\u00e5tte fastsettes ved \u00e5 unders\u00f8ke ustrukturerte data i hver enkelt pasients kliniske notater, noe som er den arbeidskrevende delen forskerne h\u00e5pet at kunstig intelligens kunne hjelpe dem med.<\/p>\n

\n

\ud83d\udd0dKan @Microsoft<\/a> @Azure<\/a> @OpenAI<\/a>'s #GPT4<\/a> presterer bedre enn et menneske for screening i kliniske studier? Det sp\u00f8rsm\u00e5let stilte vi i v\u00e5r siste studie, og jeg er veldig glad for \u00e5 kunne dele resultatene v\u00e5re i preprint:https:\/\/t.co\/lhOPKCcudP<\/a>
\n\u00c5 integrere GPT4 i kliniske studier er ikke...<\/p>\n

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