{"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\/nl\/2024\/02\/gpt-4v-offers-big-benefits-in-clinical-trial-screening\/","title":{"rendered":"GPT-4V biedt grote voordelen bij het screenen van klinische tests"},"content":{"rendered":"

Het screenen van pati\u00ebnten om geschikte deelnemers te vinden voor klinische onderzoeken is een arbeidsintensieve, dure en foutgevoelige taak, maar AI kan daar binnenkort verandering in brengen.<\/strong><\/p>\n

Een team onderzoekers van Brigham and Women's Hospital, Harvard Medical School en Mass General Brigham Personalized Medicine, voerde een onderzoek uit om te zien of een AI-model medische dossiers kan verwerken om geschikte kandidaten voor klinische studies te vinden.<\/p>\n

Ze gebruikten GPT-4V, OpenAI's LLM met beeldverwerking, mogelijk gemaakt door Retrieval-Augmented Generation (RAG) om de elektronische pati\u00ebntendossiers (EHR) en klinische notities van potenti\u00eble kandidaten te verwerken.<\/p>\n

LLM's zijn vooraf getraind met een vaste dataset en kunnen alleen vragen beantwoorden op basis van die gegevens. RAG is een techniek waarmee een LLM gegevens kan ophalen uit externe gegevensbronnen zoals het internet of interne documenten van een organisatie.<\/p>\n

Wanneer deelnemers worden geselecteerd voor een klinische studie, wordt hun geschiktheid bepaald aan de hand van een lijst met in- en exclusiecriteria. Normaal gesproken moet getraind personeel de EHR's van honderden of duizenden pati\u00ebnten uitkammen om de pati\u00ebnten te vinden die aan de criteria voldoen.<\/p>\n

De onderzoekers verzamelden gegevens van een proef waarbij pati\u00ebnten met symptomatisch hartfalen werden gerekruteerd. Ze gebruikten die gegevens om te zien of GPT-4V met RAG het werk effici\u00ebnter kon doen dan studiepersoneel met behoud van nauwkeurigheid.<\/p>\n

De gestructureerde gegevens in de EHR's van potenti\u00eble kandidaten kunnen gebruikt worden om 5 van de 6 inclusie- en 5 van de 17 exclusiecriteria voor het klinische onderzoek te bepalen. Dat is het makkelijke deel.<\/p>\n

De overige 13 criteria moesten worden bepaald door ongestructureerde gegevens in de klinische aantekeningen van elke pati\u00ebnt te bestuderen, en dat is het arbeidsintensieve deel waarvan de onderzoekers hoopten dat AI daarbij kon helpen.<\/p>\n

\n

Kan @Microsoft<\/a> @Azure<\/a> @OpenAI<\/a>'s #GPT4<\/a> beter presteren dan een mens voor het screenen van klinische proeven? Die vraag stelden we ons in ons meest recente onderzoek en ik ben zeer verheugd om onze resultaten in preprint te kunnen delen:https:\/\/t.co\/lhOPKCcudP<\/a>
\nGPT4 integreren in klinische...<\/p>\n

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