TrialMatchAI: ein durchgängiges, KI-gestütztes System zur Empfehlung klinischer Studien zur Vereinfachung der Patienten-zu-Studie-Zuordnung

Warum die Zuordnung von Patient:innen zu Studien wichtig ist

Für viele Menschen mit ernsten Erkrankungen, insbesondere Krebs, können klinische Studien Zugang zu neuen Therapien bieten, wenn Standardoptionen ausgeschöpft sind. Dennoch ist es überraschend schwierig und zeitaufwendig, die richtige Studie für die richtige Person zu finden. Dieser Artikel beschreibt TrialMatchAI, ein System der künstlichen Intelligenz, das Ärzt:innen dabei unterstützt, schnell zu erkennen, welche Studien am besten zu einem Patient passen, dabei Daten vertraulich zu behandeln und Entscheidungen nachvollziehbar zu machen.

Ein digitaler Wegweiser durch ein Labyrinth von Studien

Jede klinische Studie kommt mit umfangreichen Regeln, die festlegen, wer teilnehmen darf und wer nicht. Gleichzeitig ist die Krankengeschichte jeder Patientin und jedes Patienten über Laborwerte, Gentests, Befundberichte und Arztnotizen verteilt. Üblicherweise müssen Mitarbeiter:innen beide Seiten von Hand lesen und entscheiden, ob eine Übereinstimmung vorliegt — ein Prozess, der pro Patient:in Stunden dauern kann und leicht Chancen übersehen lässt. TrialMatchAI geht dieses Problem an, indem es sowohl Patientenakten als auch Studiendokumente liest und eine kurze, gerankte Liste von Studien erstellt, die für die jeweilige Person geeignet erscheinen.

Wie die KI medizinische Akten und Studien liest

TrialMatchAI arbeitet schrittweise. Zuerst nimmt es Patienteninformationen auf, einschließlich Basisdaten, Krankengeschichte, Laborwerten und molekularen Tests, in einem standardisierten Datenformat, das Krankenhäuser exportieren können. Es verarbeitet außerdem Studienbeschreibungen aus öffentlichen Registern, indem lange Einschluss- und Ausschlusskriterien in einzelne Regeln zerlegt werden. Mit Hilfe spezialisierter Sprachmodelle, die auf medizinischen Texten trainiert sind, identifiziert das System Schlüsselinformationen wie Krankheiten, Arzneimittel, Gene und Mutationen und ordnet diese gemeinsamen medizinischen Lexika zu. Das erleichtert den Vergleich von unterschiedlich formulierten Angaben über Krankenhäuser und Studienregister hinweg.

Finden und Bewerten vielversprechender Optionen

Sobald die Informationen strukturiert sind, durchsucht TrialMatchAI einen großen Pool von Studien mit zwei Ansätzen gleichzeitig: einer klassischen Stichwortsuche und einer Ähnlichkeitssuche, die auf den Gesamtsinn achtet. Diese Kombination filtert aus Zehntausenden Studien einige Hundert potenziell relevante Ergebnisse heraus. Ein zweites Sprachmodell prüft anschließend jede Studienregel einzeln und bewertet, wie gut jede Bedingung zum Patienten passt. Schließlich geht ein Reasoning-Modell die Details der Regeln durch, kennzeichnet sie als erfüllt, nicht erfüllt, unklar oder nicht relevant und erklärt die Gründe. Diese Bewertungen werden zu einer einzigen Zahl pro Studie kombiniert, die zur Sortierung der abschließenden Empfehlungs‑Liste verwendet wird.

Wie gut das System in Tests abschneidet

Die Forscher:innen testeten TrialMatchAI auf mehreren Ebenen. Mit synthetischen Patientenfällen aus zwei bekannten öffentlichen Challenges fand das System mehr als 90 Prozent der relevanten Studien, während es nur rund 3 Prozent des gesamten Studienpools prüfen musste, und es platzierte die besten Studien häufig weit oben in der Liste. In einem maßgeschneiderten Satz von hundert „idealen“ Patient:innen, deren Angaben so gestaltet waren, dass sie perfekt zu bestimmten Krebsstudien passten, landete die korrekte Studie bei 95 Prozent der Fälle unter den beiden obersten Vorschlägen. In einem realen Test mit 52 Personen mit metastasiertem Krebs aus einem niederländischen Krankenhaus hatten 92 Prozent mindestens eine geeignete biomarkerbasierte Studie unter den Top‑20‑Empfehlungen. Expert:innen, die über tausend einzelne Studienregeln überprüften, stellten fest, dass die Regel‑für‑Regel‑Entscheidungen der KI in mehr als 90 Prozent der Fälle korrekt waren.

Warum Offenheit, Datenschutz und Grenzen wichtig sind

Im Gegensatz zu vielen KI‑Werkzeugen, die auf geschlossene, kommerzielle Sprachmodelle setzen, verwendet TrialMatchAI Open‑Source‑Modelle, die vollständig innerhalb eines Krankenhausnetzwerks laufen können. Dieses Design hilft bei der Einhaltung von Datenschutzbestimmungen und erlaubt Forscher:innen, einzelne Komponenten des Systems zu inspizieren, zu aktualisieren oder zu ersetzen, wenn neue Methoden verfügbar werden. Die Autor:innen betonen, dass das Werkzeug die medizinische Urteilsbildung unterstützen, aber nicht ersetzen soll, und dass es weiterhin seltene Fehler machen oder Erklärungen liefern kann, die nicht vollständig mit den Daten übereinstimmen. Sie skizzieren zukünftige Schritte wie bessere Fehlerkontrollen, Möglichkeiten zur Beschleunigung der Modelle und Erweiterungen, die helfen könnten, Patient:innen für spezifische Studien zu finden.

Was das für Patient:innen und Ärzt:innen bedeutet

Kurz gesagt zeigt die Studie, dass ein KI‑Assistent zuverlässig große Mengen an klinischen Studien und Patientendaten durchsieben kann, um die vielversprechendsten Optionen hervorzuheben, insbesondere in der Krebsversorgung. TrialMatchAI tut dies, während es Daten lokal hält, klare Regel‑für‑Regel‑Begründungen liefert und Modelle verwendet, die die Forschungsgemeinschaft offen prüfen und weiterentwickeln kann. Wenn solche Systeme weiter validiert und im Alltag eingeführt werden, könnten sie den Weg von der Diagnose zur Studieneinschreibung verkürzen und mehr Patient:innen zeitnahen Zugang zu Studien verschaffen, die zu ihrem klinischen und molekularen Profil passen.

Zitation: Abdallah, M., Nakken, S., Georges, M. et al. TrialMatchAI: an end-to-end AI-powered clinical trial recommendation system to streamline patient-to-trial matching. Nat Commun 17, 4472 (2026). https://doi.org/10.1038/s41467-026-70509-w

Schlüsselwörter: Abgleich klinischer Studien, präzisionsonkologie, große Sprachmodelle, Patientenrekrutierung, medizinische KI