Editorial Kedokteran & Kesehatan
Open AccessOA2023
Menskalakan Pencocokan Uji Klinis Menggunakan Large Language Model: Studi Kasus di Bidang Onkologi
Studi ini mengeksplorasi penggunaan large language model (LLM) untuk menskalakan pencocokan uji klinis di bidang onkologi, menunjukkan bahwa LLM seperti GPT-4 dapat menstrukturkan kriteria kelayakan dan mengekstraksi logika pencocokan yang kompleks, mengungguli baseline tetapi masih menghadapi tantangan dalam akurasi dan keterbatasan konteks.
C. Wong; Sheng Zhang; Yu Gu; C. Moung; Jacob Abel; N. Usuyama; R. Weerasinghe; B. Piening; Tristan Naumann; C. Bifulco; Hoifung Poonยท Machine Learning in Health Careยท 2023ยท DOI 10.48550/arXiv.2308.02180
Masalah inti
Pencocokan uji klinis adalah proses penting dalam penyelenggaraan dan penemuan layanan kesehatan, tetapi terhambat oleh data tak terstruktur yang melimpah dan pemrosesan manual yang tidak dapat diskalakan. Makalah ini menyajikan studi sistematis tentang penskalaan pencocokan uji klinis menggunakan large language model (LLM), dengan fokus pada onkologi. Studi ini didasarkan pada sistem pencocokan uji klinis yang saat ini dalam tahap uji coba penerapan di sebuah jaringan kesehatan besar di Amerika Serikat. Para penulis bertujuan mengevaluasi potensi LLM untuk mengotomatiskan dan meningkatkan efisiensi pencocokan pasien dengan uji klinis.
Inovasi
Studi ini memanfaatkan LLM mutakhir, seperti GPT-4, untuk menstrukturkan kriteria kelayakan uji klinis yang rumit dan mengekstraksi logika pencocokan yang kompleks, termasuk kondisi AND/OR/NOT bersarang. Sistem ini dirancang untuk memproses data uji klinis tak terstruktur dan informasi pasien dari rekam medis longitudinal. Para penulis melakukan evaluasi sistematis terhadap kinerja LLM dibandingkan baseline kuat sebelumnya, menilai kemampuan model dalam menangani kompleksitas pencocokan uji klinis di bidang onkologi.
Pendahuluan
Pencocokan uji klinis adalah proses penting dalam penyelenggaraan dan penemuan layanan kesehatan, tetapi terhambat oleh data tak terstruktur yang melimpah dan pemrosesan manual yang tidak dapat diskalakan. Makalah ini menyajikan studi sistematis tentang penskalaan pencocokan uji klinis menggunakan large language model (LLM), dengan fokus pada onkologi. Studi ini didasarkan pada sistem pencocokan uji klinis yang saat ini dalam tahap uji coba penerapan di sebuah jaringan kesehatan besar di Amerika Serikat. Para penulis bertujuan mengevaluasi potensi LLM untuk mengotomatiskan dan meningkatkan efisiensi pencocokan pasien dengan uji klinis.
Mengapa penting
Studi ini mengungkap area pengembangan signifikan untuk menerapkan LLM pada pencocokan uji klinis end-to-end. Tantangan utama meliputi keterbatasan konteks dan akurasi, terutama dalam menstrukturkan informasi pasien dari rekam medis longitudinal. Para penulis membahas implikasi temuan ini bagi penerapan sistem berbasis LLM di lingkungan klinis, dengan menekankan perlunya penelitian lebih lanjut untuk mengatasi batasan tersebut dan meningkatkan keandalan pencocokan otomatis.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ