암 임상 시험에 대한 발생을 최적화하기위한 심층 임상 궤적 모델링

이 의료 기록 데이터 분석 및 건강 시스템 구현 연구의 목표는 Matchminer 플랫폼을 사용하여 임상 시험에 참가자 발생을 최적화하기 위해 종양 전문의 치료에 대한 사전 알림의 효과를 평가하는 것입니다. 이 연구는 표준 매치 마인더 액세스 방법을 두 가지 향상된 채용 방법과 비교합니다.

첫 번째 단계에서, 조사관은 임상 시험 발생에 대한 AI 알고리즘 영향을 개선하기 위해 질적 피드백을 제공하고 종양 전문의 및 조사관을 치료함으로써 사용되는 Matchminer 플랫폼의 정보 제공을 개선 할 것입니다.

두 번째 단계에서, Matchminer 플랫폼에서 이용 가능한 것으로 식별 된 의료 기록 또는 임상 시험 등록을위한 "매치"는 참가자 수준에서 무작위 화가 발생하여 3 개의 코호트로 무작위 배정됩니다. 그룹 1에서 치료 종양 전문의는 전통적인 형태의 중매인을 사용하여 구조화 된 게놈 데이터 및 암 유형에 따라 잠재적 임상 시험 후보를 식별 할 수 있습니다. 그룹 2에서, 종양 전문의 치료는 우리의 AI 알고리즘이 이미징 보고서에 기초하여 변화하는 치료 확률을 감지하는 환자에 대해 MarchMiner가 식별 한 잠재적 유전체 적으로 일치하는 임상 시험 목록을 자동으로받을 것이다. 종양 전문의는 여전히 전통적인 중매인 워크 플로를 사용할 수 있습니다. 그룹 3에서 치료는 AI 감염이 발생한 치료 변경 확률이 높은 환자에 대해 Matchminer가 식별 한 유전체 적으로 일치하는 임상 시험의 이메일 목록을 받게됩니다. 추가 수동 검토 후 환자는 영상 보고서에 기초하여 진보적 인 병에 걸렸다는 것을 확인하고 대부분의 암 시험에 대한 일반적인 배제 기준에 대한 일반적인 배제 기준 중 하나를 충족시키지 못했으며, 여러 가지 뇌동체 상태를 포함 했음 치료 및 호스피스 등록).

본 연구는 임상 시험의 NIH 정의에 따라 건강 관련 환자 결과가 아니라 연구 과정 (다른 치료 임상 시험에 등록 된 환자)이기 때문에 초기 NCI 보조금 신청 절차 또는 NIH 직원과의 후속 논의에서 임상 시험으로 간주되지 않았다. 그러나, 출판을 위해 의학 저널은 연구가 임상 시험에 대한 ICMJE 기준을 충족하고 등록하도록 요청했다고 판단했다.