辛辛那提 - 临床试验是向需要它们的人提供新疗法的重要工具，但研究表明，找到合适的志愿者受试者的困难可能会破坏这些研究的有效性。辛辛那提儿童医院医疗中心的研究人员设计并测试了一种新的计算机化解决方案，该解决方案使用人工智能(AI)从电子健康记录(EHR)中有效识别符合条件的受试者，使繁忙的临床工作人员能够将有限的时间集中在评估最高质量的候选人身上。

该研究在线发表在JMIR Medical Informatics上。它表明，与手动筛查EHR以确定研究候选人相比，该系统 - 称为自动临床试验资格筛选器©(ACTES) - 将患者筛查时间缩短了34%，患者登记率提高了11.1%。该系统还将筛查的患者数量增加了14.7%，接近的患者数量增加了11.1%。

繁忙的急诊部门通常是临床试验协调员寻找可能是优秀候选人的优秀地点。该研究的首席研究员，生物医学信息学部的YizhaoNi博士表示，ACTES旨在简化经常被证明是效率低下的临床试验招聘流程，并不总能吸引足够的合格候选人。

“由于EHR中记录的大量数据，现在用于查找相关信息的招聘流程在短时间内非常耗费人力，”Ni说。“通过利用自然语言处理和机器学习技术，ACTES能够快速分析不同类型的数据，并自动确定患者对临床试验的适用性。”

这个怎么运作

该系统具有自然语言处理功能，当系统分析大量语言数据时，计算机可以理解和解释人类语言。机器学习允许计算机化系统自动学习和发展经验而无需专门编程。这使得计算机程序可以独立地处理数据，提取信息和生成知识。

自动化系统从EHR中提取结构化信息，例如患者人口统计学和临床​​评估。它还识别临床记录中的非结构化信息，包括患者的临床状况，症状，治疗等。然后将提取的信息与资格要求相匹配，以确定受试者对特定临床试验的适合性。

据研究人员称，该系统的机器学习组件还允许它从历史登记中学习，以改进其未来的建议。大多数分析都是通过精心设计的AI算法来处理的，这些算法基本上是计算机通过执行一系列指定操作来解决问题的过程或公式。

先进的临床设置

此前，该系统在2015年由美国医学信息学协会杂志发表的一项回顾性研究中成功进行了试点测试。目前的研究在繁忙的急诊室环境中对该解决方案进行了前瞻性和实时测试，临床研究协调员招募患者进行六项涉及不同疾病的不同儿科临床试验。

在现场临床环境中使用该技术涉及数据科学家，应用程序开发人员，信息服务技术人员和最终用户，临床人员之间的重要协作。

“由于该机构的协作环境，我们成功地将不同的专家小组纳入设计此AI解决方案的集成过程。”倪说。