TrialGPT 2.0：AI 辅助临床试验匹配的多中心评估与真实部署
Towards AI-Assisted Clinical Trial Matching: Practical Considerations, Multicenter Evaluation, and Real-World Deployment
研究团队提出 TrialGPT 2.0，一个面向真实部署的 AI 辅助临床试验推荐系统，不仅判断患者是否符合入组条件，还结合患者当前临床需求与本地工作流优先级给出可审查的结构化解释。
作者：Yin Fang、Qiao Jin、Shubo Tian、Lauren He、Maya Geer、Noor Naffakh、Ryan Huu-Tuan Nguyen、Zifeng Wang、Jimeng Sun、Charalampos S. Floudas、James L. Gulley、Kamilia Moalem、Catarina Martins Maia、Amanda Nottke、Juan W. Valle、Melinda Bachini、Lourdes Rocha-Nussbaum、Kari Ramage、Nikita Curry、Megan Barnes、Mandy Mansaray、Darlene Gabeau、Craig E. Grossman、Heath Skinner、Michael Burczynski、NIH-TrialBench Consortium、Zhiyong Lu
摘要：临床试验对于循证医学和药物研发至关重要，但许多试验因患者入组不足而失败。尽管人们越来越关注利用 AI 支持患者招募，但现有系统大多仅进行资格评估，且很少在真实工作流程中接受评估。在此，我们提出 TrialGPT 2.0，这是一个经过改进、面向负责任真实世界部署的 AI 辅助临床试验推荐系统。该系统不再只询问患者是否符合条件，而是结合患者当前的临床需求和本地工作流程优先级，评估哪些试验值得进一步考虑，并提供结构化、可审查的解释供专家审阅。重要的是，我们在政府研究、患者倡导、学术医疗中心和社区放射肿瘤学等场景中，对 TrialGPT 2.0 进行了回顾性和前瞻性评估。在包含 288 个病例的回顾性多中心队列中，TrialGPT 2.0 在约 91% 的病例中于其前 10 条推荐里检索到至少一项临床医生推荐的试验，同时将临床医生筛选时间减少了 55.0%。在一项嵌入活跃的精准肿瘤学肿瘤委员会为期六个月的前瞻性评估中，TrialGPT 2.0 贡献了常规工作流程遗漏的额外试验机会，使至少获得一项最终试验推荐的患者病例数增加了 90.9%。为支持科学可复现性，我们还开发了 NIH-TrialBench，这是一个由临床医生编写的基准，包含 126 个多样化的合成患者案例，以及来自 11 个 NIH 研究所和中心的匹配场景。总之，这些发现支持 AI 通过提高临床医生效率并识别常被忽视的试验机会来辅助临床试验匹配的价值，最终有助于扩大并加速癌症试验的入组。
| 评论： | 43 页，12 幅图 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2609.01202 [cs.CL] |
| （或本版本的 arXiv:2609.01202v2 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2609.01202 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yin Fang [查看邮箱]
[v1]
2026 年 9 月 1 日星期二 13:11:02 UTC（22,625 KB）
[v2]
2026 年 10 月 28 日星期三 19:46:44 UTC（23,275 KB）
来源：arXiv cs.AI · arxiv.org