Bewertung der Leistung der Datenabstraktion von Daten aus der erweiterten elektronischen Gesundheitsakte (EHR) mit künstlicher Intelligenz (KI) für das Patientenscreening in klinischen Studien

Das Ziel dieser Studie besteht darin, die Genauigkeit und Geschwindigkeit von drei verschiedenen Ansätzen zur Abstraktion klinischer Daten zu bewerten und zu vergleichen, die zur Identifizierung onkologischer Patienten verwendet werden, die die Einschlusskriterien für die Teilnahme an klinischen Studien erfüllen. Zu den drei untersuchten Ansätzen gehören: (1) ein autonomer KI-Algorithmus (Mendel AI; entwickelt vom Start-up-Unternehmen für künstliche Intelligenz Mendel), der die Krankenakten von Patienten analysiert, um relevante klinische Fakten zu extrahieren („AI-alone“); (2) ein menschlicher Forscher, der Patientenakten gemäß der aktuellen Norm/Praxis manuell überprüft („allein Mensch“); und (3) ein menschlicher Forscher, der KI-Erweiterung nutzt („Mensch+KI“), wobei Mendel AI als unterstützendes Werkzeug im Entscheidungsprozess dient, indem es dem Forscher eine Liste der vom KI-Algorithmus abstrahierten Elemente und eine Rangfolge bereitstellt Liste der Patienten, die am wahrscheinlichsten die Einschlusskriterien für eine Studie erfüllen.

Die Studie zielt in erster Linie darauf ab, (1) die Genauigkeit der Mensch-KI-Zusammenarbeit im Vergleich zur Mensch-allein-Zusammenarbeit zu vergleichen, angesichts der Relevanz dieses Vergleichs für reale klinische Arbeitsabläufe, definiert durch den Anteil vorab identifizierter Diagrammelemente, die korrekt klassifiziert wurden, im Vergleich zu a vorgegebener „Goldstandard“; und (2) die Geschwindigkeit der Arme „Mensch+KI“ vs. „Mensch allein“, definiert durch das Volumen der abgeschlossenen Vorprüfungen pro Zeiteinheit.

Unsere Hypothesen lauten: (1) Der Mensch+KI-Arm wird im Vergleich zum Nur-Mensch-Arm in Bezug auf einen vorgegebenen „Goldstandard“ hinsichtlich der Genauigkeit nicht unterlegen sein und (2) dass ein Mensch+KI-Arm überlegen sein wird in der Abstraktionsgeschwindigkeit im Vergleich zum Screening allein durch den Menschen.

Die Identifizierung geeigneter Patienten für klinische Studien ist ein entscheidender Bestandteil der klinischen Forschung, da sie sich direkt auf die Patientenrekrutierung, die Studieneinschreibung und die Generalisierbarkeit von Forschungsergebnissen auswirkt. Derzeit beruht der Prozess zur Identifizierung geeigneter Patienten häufig auf der manuellen Überprüfung der Diagramme durch klinisches Forschungspersonal, was zeitaufwändig, arbeitsintensiv und anfällig für menschliches Versagen sein kann. Folglich kann es sein, dass geeignete Patienten übersehen werden und Chancen auf eine Studienteilnahme verpasst werden. Die Integration der KI-Technologie in den Patientenidentifizierungsprozess hat das Potenzial, die Genauigkeit und Effizienz dieser wichtigen Aufgabe zu verbessern und zu einer besseren Rekrutierung und Ergebnissen für klinische Studien zu führen.

Diese Studie hat wichtige Implikationen für den Bereich der klinischen Forschung, indem sie die Wirksamkeit der KI-gestützten Patientenidentifizierung im Vergleich zu herkömmlichen manuellen Methoden und autonomen KI-Algorithmen bewertet. Durch die Untersuchung der Stärken und Grenzen jedes Ansatzes wird die Studie wertvolle Einblicke in die optimale Integration der KI-Technologie in klinische Forschungsprozesse liefern. Darüber hinaus könnten die Ergebnisse dieser Studie den Patienten zugute kommen, indem sie ihren Zugang zu klinischen Studien verbessern und das Bewusstsein für verfügbare Behandlungsmöglichkeiten schärfen. Für klinische Forschungseinrichtungen kann die Verbesserung der Effizienz der Patientenidentifizierung zu einer effektiveren Nutzung von Forschungsressourcen und dem Potenzial für kürzere Zeitpläne für klinische Studien führen. Letztendlich können die Ergebnisse dieser Studie zu Fortschritten in der klinischen Forschungspraxis beitragen, einen gerechteren Zugang zu Studien fördern und die Entwicklung innovativer Behandlungen für Krebspatienten erleichtern.