Współpraca człowiek–AI w celu poprawy dokładności i wydajności wstępnej selekcji kryteriów kwalifikacji do badań onkologicznych: randomizowane badanie oceniające przy użyciu retrospektywnych elektronicznych kart zdrowia

Dlaczego znalezienie odpowiednich pacjentów ma znaczenie

Dla wielu osób z rakiem udział w badaniu klinicznym może otworzyć dostęp do zaawansowanych terapii i lepszych wyników. Tymczasem zaledwie niewielka część dorosłych chorych na raka bierze udział w badaniach. Jednym z głównych wąskich gardeł jest etap znacznie wcześniejszy niż podpisanie zgody: personel musi przeszukać długie, nieuporządkowane dokumentacje, by ustalić, kto w ogóle spełnia warunki. W tym badaniu sprawdzono, czy połączenie ekspertów z systemem sztucznej inteligencji może uczynić tę wstępną selekcję dokładniejszą — bez spowalniania procesu.

Jak dziś przebiega selekcja do badań

Zanim osoba może dołączyć do badania onkologicznego, pracownicy badań klinicznych muszą ocenić, czy pacjent spełnia dziesiątki szczegółowych kryteriów wstępu, takich jak typ i stadium nowotworu, wyniki badań czy ogólny stan sprawności. Wiele z tych informacji jest ukrytych w niestrukturalnych notatkach — raportach obrazowych, zapiskach z wizyt czy podsumowaniach badań laboratoryjnych — które bywają powtarzalne, niekompletne albo sprzeczne. Ręczne przeszukiwanie tych dokumentów jest powolne i męczące, a nawet doświadczeni pracownicy mogą przeoczyć istotne dane. W efekcie część kwalifikujących się pacjentów nigdy nie zostaje zidentyfikowana, a potencjalne opcje przedłużające życie tracą się.

Co badacze przetestowali

Aby sprawdzić, czy AI może pomóc, zespół wykorzystał elektroniczne karty od 355 osób z rakiem płuca lub jelita grubego leczonych w praktyce środowiskowej. Skoncentrowano się na 12 powszechnych kryteriach badawczych, w tym stadium guza, określonych biomarkerach, odpowiedzi na wcześniejsze leczenie oraz podstawowym stanie zdrowia. Specjalizowany „neurosymboliczny” system językowy najpierw przekształcił zeskanowane dokumenty w tekst, a następnie wydobył strukturalne fakty, takie jak wyniki badań i szczegóły dotyczące stadiów. Dwóch przeszkolonych koordynatorów badawczych przejrzało każdą kartę dwukrotnie — raz z sugestiami AI na ekranie (podejście Człowiek+AI) i raz bez nich (podejście tylko człowiek), w losowej kolejności. Oddzielna grupa klinicystów opracowała wcześniej „złoty standard” odpowiedzi dla każdej karty, by ocenić dokładność.

Jak radził sobie zespół człowiek–AI

Gdy ludzie współpracowali z AI, częściej zgadzali się ze złotym standardem niż sami ludzie działający bez wsparcia. Ogólnie zespół Człowiek+AI poprawnie odczytał około trzy na cztery pozycje, w porównaniu z nieco ponad siedmioma na dziesięć dla samodzielnych recenzentów i znacznie lepiej niż sam system AI. Największe zyski odnotowano w trudnych obszarach, takich jak testy biomarkerów i ich wyniki, precyzyjne określenie stadium guza oraz ocena odpowiedzi na wcześniejsze leczenie. W tych kategoriach siła AI w przeszukiwaniu dużych ilości tekstu pomogła koordynatorom wychwycić informacje, które mogliby przeoczyć, podczas gdy ludzie korygowali błędy AI i interpretowali niepewne przypadki.

Szybkość, kompromisy i ludzka stronniczość

Zaskakująco, dodanie AI nie przyspieszyło procesu. Oba podejścia zajmowały średnio nieco ponad pół godziny na kartę. Autorzy sugerują, że zamiast oszczędzać czas, AI zmieniła charakter pracy koordynatorów: zamiast samodzielnie wyszukiwać każde szczegóły, więcej czasu poświęcali na sprawdzanie i interpretowanie sugestii AI. To może być zdrowy mechanizm zabezpieczający, zmniejszający ryzyko bezkrytycznego przyjmowania odpowiedzi maszyny. Badanie zbadało też, gdzie współpraca może zawieść. W jednym wskaźniku zdolności funkcjonalnej pacjenta AI okazała się zawodna, a recenzenci polegający nadmiernie na jej wynikach wypadli nieco gorzej — oznaka „biasu automatyzacji”. W innych obszarach ludzie wydawali się nie w pełni wykorzystywać trafne wskazania AI, co sugeruje „bias potwierdzenia”, gdy preferuje się informacje zgodne z pierwszymi wrażeniami.

Co to oznacza dla przyszłej opieki onkologicznej

Mówiąc wprost, to badanie pokazuje, że dobrze zaprojektowane partnerstwo między ludźmi a AI może nieco poprawić wstępną selekcję do badań, nie spowalniając jej. Ulepszenia są umiarkowane, ale koncentrują się w tych właśnie złożonych detalach — jak status biomarkerów czy precyzyjne stadium — które często decydują o możliwości zakwalifikowania pacjenta. Jeśli takie systemy zostaną dalej udoskonalone i przetestowane w rzeczywistych procesach klinicznych, mogą pomóc odkryć więcej kwalifikujących się pacjentów, poszerzyć dostęp do nowoczesnych badań onkologicznych i przy tym utrzymać ludzi w roli ostatecznych decydentów.

Cytowanie: Parikh, R.B., Kolla, L., Beothy, E.A. et al. Human-AI teaming to improve accuracy and efficiency of eligibility criteria prescreening for oncology trials: a randomized evaluation trial using retrospective electronic health records. Nat Commun 17, 2306 (2026). https://doi.org/10.1038/s41467-026-68873-8

Słowa kluczowe: badania kliniczne w onkologii, elektroniczne karty zdrowia, sztuczna inteligencja, kwalifikowalność pacjenta, współpraca człowiek–AI