TrialMatchAI: um sistema de recomendação de ensaios clínicos de ponta a ponta com IA para agilizar o pareamento paciente-ensaio

Por que é importante parear pacientes com ensaios

Para muitas pessoas com doenças graves, especialmente câncer, ensaios clínicos podem oferecer acesso a tratamentos novos quando as opções padrão se esgotam. Ainda assim, encontrar o ensaio certo para o paciente certo é surpreendentemente difícil e demorado. Este artigo descreve o TrialMatchAI, um sistema de inteligência artificial projetado para ajudar médicos a identificar rapidamente quais ensaios se ajustam melhor a um paciente, preservando a privacidade dos dados e tornando as decisões compreensíveis.

Um guia digital em meio ao labirinto de ensaios

Cada ensaio clínico vem com páginas de regras que determinam quem pode participar e quem não pode. Ao mesmo tempo, cada paciente tem uma história médica rica espalhada por resultados laboratoriais, testes genéticos, laudos de imagens e anotações médicas. Tradicionalmente, a equipe precisa ler ambos os lados manualmente e decidir se há um pareamento, um processo que pode levar horas por paciente e facilmente perder oportunidades. O TrialMatchAI enfrenta esse desafio lendo tanto os prontuários quanto os documentos dos ensaios, e então produzindo uma lista curta e ranqueada de ensaios que parecem adequados para uma pessoa específica.

Como a IA lê prontuários médicos e ensaios

O TrialMatchAI funciona passo a passo. Primeiro, ele recebe informações do paciente, incluindo dados básicos, histórico médico, medidas de laboratório e testes moleculares, usando um formato de dados padrão que hospitais podem exportar. Também processa descrições de ensaios de registros públicos, dividindo longas seções de elegibilidade em regras individuais. Com a ajuda de modelos de linguagem especializados treinados em texto médico, o sistema identifica itens-chave como doenças, medicamentos, genes e mutações e os mapeia para dicionários médicos compartilhados. Isso facilita comparar o que está escrito de maneiras diferentes entre hospitais e registros de ensaios.

Encontrando e classificando opções promissoras

Uma vez que a informação está estruturada, o TrialMatchAI busca em um grande conjunto de ensaios usando duas abordagens simultâneas: uma busca clássica por palavras-chave e uma busca por similaridade que avalia o significado geral. Essa combinação extrai algumas centenas de ensaios potencialmente relevantes entre dezenas de milhares. Um segundo modelo de linguagem então reexamina cada regra do ensaio, questionando quão bem cada condição se encaixa no paciente. Finalmente, um modelo de raciocínio percorre as entrelinhas das regras, marcando-as como atendidas, não atendidas, incertas ou não relevantes, e explica o porquê. Essas pontuações são combinadas em um único número por ensaio, que é usado para ordenar a lista final de recomendações.

Desempenho do sistema em testes

Os pesquisadores testaram o TrialMatchAI em vários aspectos. Usando casos de pacientes sintéticos de dois desafios públicos bem conhecidos, o sistema recuperou mais de 90% dos ensaios relevantes enquanto examinava apenas cerca de 3% do conjunto completo de ensaios, e tendia a posicionar os melhores ensaios no topo da lista. Em um conjunto personalizado de cem pacientes “ideais”, cujos detalhes foram criados para casar perfeitamente com ensaios oncológicos específicos, o ensaio correto apareceu entre as duas principais sugestões para 95% dos pacientes. Em um teste no mundo real com 52 pessoas com câncer metastático de um hospital holandês, 92% tiveram pelo menos um ensaio baseado em biomarcador apropriado entre as 20 principais recomendações. Especialistas que revisaram mais de mil regras individuais de ensaios acharam que as decisões do IA regra por regra foram precisas em mais de 90% dos casos.

Por que abertura, privacidade e limites importam

Diferente de muitas ferramentas de IA que dependem de modelos de linguagem comerciais e fechados, o TrialMatchAI usa modelos de código aberto que podem ser executados inteiramente dentro da rede de um hospital. Esse projeto ajuda a cumprir leis de privacidade e permite que pesquisadores inspecionem, atualizem ou substituam partes individuais do sistema à medida que surgem novos métodos. Os autores observam que a ferramenta se destina a apoiar, não substituir, o julgamento médico, e que ela ainda pode cometer erros raros ou oferecer explicações que não casam totalmente com os dados. Eles delineiam passos futuros, como melhores verificações de erros, formas de acelerar os modelos e extensões que poderiam ajudar a encontrar pacientes para ensaios específicos.

O que isso significa para pacientes e médicos

Em termos simples, o estudo mostra que um assistente de IA pode filtrar de forma confiável um grande número de ensaios clínicos e detalhes dos pacientes para destacar as opções mais promissoras, especialmente no cuidado do câncer. O TrialMatchAI faz isso mantendo os dados localmente, oferecendo justificativas claras regra por regra e usando modelos que a comunidade de pesquisa pode estudar e aprimorar abertamente. Se adotados e validados mais amplamente na prática cotidiana, sistemas assim poderiam encurtar o caminho do diagnóstico até a inclusão em ensaios, dando a mais pacientes acesso oportuno a estudos compatíveis com seus perfis médicos e moleculares.

Citação: 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

Palavras-chave: pareamento de ensaios clínicos, oncologia de precisão, modelos de linguagem de grande porte, recrutamento de pacientes, IA médica