L’intelligenza artificiale è efficace nell’eseguire il matching tra pazienti e criteri dei trial clinici, accorciando le tempistiche della fase di arruolamento
Il reclutamento dei pazienti rappresenta una delle sfide più critiche nella gestione degli studi clinici e spesso è caratterizzato da processi lunghi, complessi e soggetti a errori umani, soprattutto quando la malattia è rara. Tuttavia, uno studio pubblicato a novembre su Nature Communications presenta un approccio innovativo che promette di trasformare radicalmente questo panorama. Si chiama TrialGPT ed è un algoritmo di intelligenza artificiale sviluppato dal National Institutes of Health (NIH) che mira a semplificare e migliorare la corrispondenza tra pazienti e trial clinici registrati su ClinicalTrials.gov, rendendo il processo più efficiente, accurato e accessibile. Un’altra possibile applicazione dell’intelligenza artificiale in medicina.
Gli studi clinici permettono di sperimentare farmaci, studiare l’uso di nuovi dispositivi medici, raccogliere dati sulle malattie e non solo: tutte attività fondamentali per il miglioramento della pratica clinica, la valutazione di nuove terapie e, in generale, lo sviluppo della medicina del futuro. È un processo lungo e quasi sempre travagliato, che parte dalla stesura di un progetto e arriva (si spera) all’obiettivo previsto dal disegno iniziale. Il primo fondamentale passaggio, dopo aver ottenuto l’autorizzazione a procedere con la sperimentazione, è quello di identificare i pazienti idonei alla partecipazione. Fase che richiede l’analisi della loro storia clinica e dei criteri di inclusione ed esclusione di ciascun trial clinico considerato. Il processo, se condotto manualmente, è oneroso e può limitare velocità e qualità del reclutamento, causando ritardi significativi nell’avanzamento della ricerca medica. E se l’intelligenza artificiale si mettesse al servizio di questo processo?
TrialGPT
TrialGPT è una piattaforma che utilizza modelli di linguaggio di grandi dimensioni (“Large Language Models” o LLM) per abbinare i pazienti agli studi clinici. I Large Language Models (LLM) sono modelli di apprendimento automatico di intelligenza artificiale formati con tecniche di apprendimento profondo (deep learning) - anche protagonisti del Premio Nobel per la Fisica 2024 - e capaci di svolgere diversi compiti legati al linguaggio (riconoscere, generare, riassumere, tradurre e generare testo), utilizzando grandi set di dati di partenza.
Ma come funziona nella pratica? Il processo inizia con una sintesi della storia clinica del paziente, grazie alla quale TrialGPT genera parole chiave e identifica gli studi clinici più pertinenti. La fase successiva prevede l’analisi dei criteri di inclusione ed esclusione dei trial clinici selezionati e si conclude con il calcolo di un punteggio complessivo per ogni sperimentazione, stilando un elenco per priorità. Per fare questo, il sistema si compone di tre moduli principali: TrialGPT-Retrieval, che filtra un vasto insieme iniziale di trial per identificare quelli potenzialmente rilevanti per un dato paziente; TrialGPT-Matching, che valuta l’idoneità del paziente rispetto ai criteri di ciascun trial, fornendo spiegazioni; e TrialGPT-Ranking, che aggrega le valutazioni precedenti per generare una lista di trial ordinata in base alla compatibilità con il paziente.
RISULTATI E IMPLICAZIONI PER LA RICERCA
Esistono due tipi di compiti di abbinamento paziente-trial: lo schema “trial-to-patient” abbina un trial a un elenco di pazienti candidati; e lo schema “patient-to-trial” che, al contrario, abbina un paziente a un elenco di studi clinici. Nello studio pubblicato su Nature Communications, i ricercatori si sono concentrati sullo schema “patient-to-trial”, perché tale modello può consentire di esplorare un ampio set di studi clinici potenzialmente idonei.
TrialGPT è stato valutato su 3 coorti di 183 pazienti sintetici con oltre 75.000 annotazioni sull’ammissibilità per i trial. Gli esperimenti hanno dimostrato che TrialGPT è efficace. Riesce a richiamare oltre il 90% dei trial rilevanti utilizzando meno del 6% dell’insieme iniziale di documenti. Inoltre, prevede con un’accuratezza dell’87,3% l’idoneità dei pazienti rispetto ai criteri di un trial, fornendo spiegazioni considerate comparabili a quelle degli esperti umani. Infine, in un contesto clinico simulato, TrialGPT ha dimostrato di ridurre il tempo di screening del 42,6%, migliorando significativamente l’efficienza del processo.
Questa tecnica offre importanti vantaggi per il futuro della ricerca clinica. In primo luogo, migliora l’efficienza e la scalabilità del reclutamento, poiché è in grado di gestire migliaia di trial contemporaneamente, accelerando il processo anche in contesti con risorse limitate. In secondo luogo, garantisce trasparenza fornendo spiegazioni, che favoriscono la fiducia degli esperti clinici e consentono loro di verificare e comprendere le valutazioni che fa l’intelligenza artificiale. Infine, il sistema è altamente personalizzabile, poiché può analizzare informazioni non strutturate, rendendolo adatto a un’ampia gamma di casi clinici e criteri di sperimentazione.
LIMITAZIONI E SFIDE FUTURE
Nonostante i risultati promettenti, TrialGPT presenta alcune limitazioni. Attualmente, il sistema utilizza solo dati clinici, ma l’integrazione con dati strutturati, come i risultati di laboratorio, e multimodali, come le immagini mediche, rappresenta una sfida futura. Inoltre, richiede un’integrazione con i sistemi di cartelle cliniche elettroniche, il che potrebbe comportare difficoltà tecniche e normative. Infine, l’utilizzo di modelli proprietari come GPT-4 pone questioni di costi e accessibilità, spingendo la ricerca futura verso alternative open-source.
L’uso di queste tecnologie non giustifica la posizione secondo cui il matching tra pazienti e studi clinici debba essere completamente automatico, anche nel caso in cui venissero migliorate le caratteristiche: gli esperti e i clinici dovrebbero essere sempre presenti nell’applicazione dell’AI in medicina e usare i risultati di TrialGPT – e di altri strumenti – per migliorare l’efficienza del lavoro. Integrando intelligenza artificiale e competenze umane è possibile trasformare la ricerca medica, accelerando l’identificazione dei trattamenti innovativi e migliorando l’esperienza dei pazienti. Sebbene siano necessarie ulteriori valutazioni su larga scala, i risultati iniziali suggeriscono che strumenti come TrialGPT possano diventare componenti chiave nella gestione dei trial clinici del futuro.
