Μια νέα μελέτη στο επιστημονικό περιοδικό Machine Learning: Health υποδεικνύει ότι το ChatGPT μπορεί να επιταχύνει την επιλογή ασθενών για κλινικές δοκιμές, μειώνοντας αισθητά τις καθυστερήσεις και βελτιώνοντας τα ποσοστά επιτυχίας των δοκιμών.
Ερευνητές στο UT Southwestern Medical Centre στο Ντάλας, Τέξας χρησιμοποίησαν το ChatGPT για να αξιολογήσουν ποιοι ασθενείς ήταν επιλέξιμοι να συμμετάσχουν σε κλινικές δοκιμές και εντόπισαν τους κατάλληλους υποψηφίους μέσα σε λίγα λεπτά.
Οι κλινικές δοκιμές νέων φαρμάκων και εφαρμογών είναι ζωτικής σημασίας για την ανάπτυξη και την επικύρωση νέων θεραπειών. Ωστόσο, μια σημαντική δυσκολία είναι η εγγραφή ενός επαρκούς αριθμού εθελοντών. Σύμφωνα με μια πρόσφατη μελέτη, έως και 20% των κλινικών δοκιμών που συνδέονται με το Εθνικό Ινστιτούτο Καρκίνου των ΗΠΑ αποτυγχάνουν λόγω του μικρού δείγματος. Αυτό όχι μόνο διογκώνει το κόστος και καθυστερεί τα αποτελέσματα, αλλά υπονομεύει και την αξιοπιστία των νέων θεραπειών.
ΔΙΑΒΑΣΤΕ ΕΠΙΣΗΣ
Προς το παρόν, η επιλογή των ασθενών για δοκιμές είναι μια μη αυτοματοποιημένη διαδικασία που απαιτεί χρόνο. Οι ερευνητές πρέπει να εξετάζουν για τουλάχιστον 40 λεπτά τα ιατρικά αρχεία κάθε ασθενούς για να διαπιστώσουν εάν πληρούν τα κριτήρια επιλεξιμότητας. Με περιορισμένο προσωπικό και πόρους, αυτή η διαδικασία είναι συχνά πολύ αργή και δεν ανταποκρίνεται στη ζήτηση.
Μέρος του προβλήματος είναι επίσης, ότι οι πολύτιμες πληροφορίες για τους ασθενείς που περιέχονται στα ηλεκτρονικά αρχεία υγείας, όπως οι σημειώσεις των ιατρών, είναι δύσκολο να αποκρυπτογραφηθούν από το παραδοσιακό λογισμικό μηχανικής μάθησης. Ως αποτέλεσμα, πολλοί επιλέξιμοι ασθενείς παραβλέπονται. Αυτό οδηγεί σε χαμηλά ποσοστά εγγραφής εθελοντών, σε καθυστερήσεις δοκιμών, ακόμη και σε ακυρώσεις, επιβραδύνοντας τελικά την πρόσβαση σε νέες θεραπείες.
Για να αντιμετωπίσουν αυτό το πρόβλημα, οι ερευνητές εξέτασαν τρόπους επιτάχυνσης της διαδικασίας χρησιμοποιώντας το ChatGPT-3.5 και το GPT-4 για να αναλύσουν τα δεδομένα 74 ασθενών και να δουν εάν πληρούσαν τις προϋποθέσεις για μια κλινική δοκιμή για καρκίνο κεφαλής και τραχήλου.
Συγκεκριμένα, δοκιμάστηκαν τρεις τρόποι ενεργοποίησης της Τεχνητής Νοημοσύνης: Δομημένη Έξοδος (SO), ζητώντας απαντήσεις σε καθορισμένη μορφή, Αλυσίδα Σκέψης (CoT), ζητώντας από το μοντέλο να εξηγήσει τη συλλογιστική του και Αυτο-ανακάλυψη (SD), αφήνοντας το μοντέλο να καταλάβει τι να αναζητήσει.
Τα αποτελέσματα έδειξαν να είναι πολλά υποσχόμενα. Το GPT-4 ήταν πιο ακριβές από το GPT-3.5, αν και ελαφρώς πιο αργό και πιο ακριβό. Οι χρόνοι επιλογής κυμάνθηκαν από 1,4 έως 12,4 λεπτά ανά ασθενή, με κόστος μεταξύ 0,02 και 0,27 δολαρίων.
«Τα LLM όπως το GPT-4 μπορούν να βοηθήσουν στην επιλογή ασθενών για κλινικές δοκιμές, ειδικά όταν χρησιμοποιούνται ευέλικτα κριτήρια», σχολιάζει σε δελτίο τύπου ο Δρ. Mike Dohopolski, επικεφαλής συγγραφέας της μελέτης.
«Δεν είναι τέλεια, ειδικά όταν πρέπει να πληρούνται όλες οι προϋποθέσεις, αλλά μπορούν να εξοικονομήσουν χρόνο και να υποστηρίξουν τους γιατρούς που “τρέχουν” την επιλογή».
Αυτή η έρευνα υπογραμμίζει τη δυνατότητα της Τεχνητής Νοημοσύνης να υποστηρίζει ταχύτερες και πιο αποτελεσματικές κλινικές δοκιμές, φέρνοντας νέες θεραπείες στους ασθενείς νωρίτερα.
Η ίδια ερευνητική ομάδα εργάστηκε σε μια μέθοδο που επιτρέπει στους χειρουργούς να προσαρμόζουν την ακτινοθεραπεία των ασθενών σε πραγματικό χρόνο, ενώ αυτοί βρίσκονται ακόμα στο τραπέζι. Χρησιμοποιώντας ένα σύστημα βαθιάς μάθησης που ονομάζεται GeoDL, η τεχνητή νοημοσύνη παρέχει από αξονικές τομογραφίες ακριβείς τρισδιάστατες εκτιμήσεις δόσεων και δεδομένα θεραπείας σε μόλις 35 χιλιοστά του δευτερολέπτου. Αυτό θα μπορούσε να κάνει την ακτινοθεραπεία ταχύτερη και πιο αποτελεσματική σε πραγματικά κλινικά περιβάλλοντα.
