Единая структура для инструментов предварительного отбора и отбора в клинических онкологических исследованиях

Почему важно находить подходящее онкологическое испытание

Клинические испытания рака — это места, где тестируются методы лечения завтрашнего дня, но лишь небольшая часть подходящих пациентов попадает в эти исследования. В этой статье объясняется, почему так трудно подобрать пациентов к правильным испытаниям и как новые цифровые инструменты — особенно на базе искусственного интеллекта — могут это изменить. Для читателей она даёт представление о том, как данные, компьютеры и экспертное мнение могут работать вместе, чтобы ускорить доступ к перспективным методам лечения и сделать исследования более справедливыми и инклюзивными.

Нарастающая проблема набора пациентов

Современная онкологическая наука зависит от клинических испытаний, но набор стал серьёзным узким местом. Большая доля онкологических исследований не может привлечь достаточное число участников, и типичный период набора удлиняется. Сейчас испытания опираются на сложные правила соответствия, подробные лабораторные тесты и всё чаще — на молекулярные «отпечатки» каждой опухоли. Одновременно информация о пациентах разбросана по разным больницам, информационным системам и заметкам в свободном тексте. В результате многие пациенты, которые могли бы получить пользу от участия, так и не выявляются вовремя, и лишь около 3–5 процентов подходящих людей с раком в итоге участвуют в исследовании.

Разные пути для соединения пациентов и исследований

Современные усилия по подбору испытаний можно разделить на три широкие группы. Ориентированные на пациента подходы используют информационные кампании, социальные сети, общественные организации и онлайн‑анкеты, помогая людям самим искать испытания. Это может повышать осведомлённость и вовлечённость, но несёт риск распространения неверной информации и может обходить тех, у кого ограничен доступ в интернет. Инструменты, ориентированные на систему здравоохранения, встроены в работу больниц и клиник, используют электронные медицинские записи, консилиумы и платформы геномного тестирования, предлагая онкологам варианты испытаний в ходе обычной практики. Гибридные стратегии стремятся объединить оба подхода: повышать осведомлённость пациентов и одновременно снабжать врачей лучшими инструментами внутри системы, чтобы возможности не терялись ни на одной стороне.

Кто остаётся в стороне и почему это важно

Серьёзная проблема заключается в том, что участники испытаний не отражают весь круг людей, живущих с раком. Жители сельской местности, люди с низким доходом, пожилые пациенты и многие меньшинства недостаточно представлены. На это влияют расстояние до крупных центров, финансовые трудности, ограниченная осведомлённость и строгие правила соответствия, исключающие людей с сопутствующими заболеваниями. Регуляторы, такие как Управление по контролю за продуктами и лекарствами США, призывают организаторов планировать разнообразие с самого начала, включая более гибкие, частично дистанционные дизайны испытаний и лучшую селекцию площадок. Статья подчёркивает, что любая новая технология подбора должна активно сокращать, а не углублять эти разрывы.

От ручной проверки к «умной» автоматизации

Традиционно подбор участников основывается на ручном чтении карт врачами и исследовательским персоналом, интервью с пациентами и введении данных в таблицы. Хотя это допускает экспертную оценку, такой подход медленный, непоследовательный и трудно масштабируемый. Новые электронные методы используют медицинские записи, регистры и автоматические оповещения для выделения возможных соответствий. Инструменты на базе искусственного интеллекта идут дальше, сканируя огромные объёмы клинических заметок, лабораторных результатов и геномных отчётов, предлагая подходящие испытания. Крупные языковые модели — те же семейства систем, что лежат в основе продвинутых чат‑ботов — способны преобразовывать неструктурированный текст в структурированные данные и помогать разбирать сложные правила соответствия. Обзор сравнивает «zero‑shot» использование общих моделей с более специализированными подходами, которые сочетают получение проверенной медицинской информации, тщательно подобранные примеры и донастройку моделей на онкологических документах.

Как «умные» инструменты и клиницисты могут работать вместе

Авторы утверждают, что наиболее перспективны гибридные решения: компьютеры берут на себя объёмную работу по чтению больших массивов данных, но врачи остаются ответственны за окончательные решения. В этой модели системы ИИ постоянно сканируют записи, интерпретируют динамику лабораторных показателей и биомаркеров и предлагают вероятные соответствия испытаниям, при этом ясно показывая, почему пациент был включён или исключён. Человеческие эксперты затем рассматривают, подтверждают или отвергают эти предложения, обеспечивая безопасность и справедливость. В статье подчёркивается потребность в высококачественных данных, защите конфиденциальности пациентов, понятных объяснениях вместо «чёрного ящика» и показателях эффективности, которые отслеживают не только точность и скорость, но и разнообразие и затраты.

Что это значит для будущего онкологической помощи

В заключение авторы считают, что улучшенные инструменты предварительного отбора и отбора важны для ускорения онкологических исследований и расширения доступа к инновационным методам лечения. Они представляют системы подбора испытаний, которые учитывают разницу между биологическим и календарным возрастом, принимают во внимание тонкие маркеры пригодности и риска побочных эффектов и повторно проверяют изменяющиеся лабораторные результаты с течением времени. При тщательной разработке и валидации структуры на базе ИИ под надзором людей могут облегчить нахождение подходящих пациентов для подходящих испытаний в нужный момент — снижая пустую трату усилий, повышая справедливость и быстрее переводя эффективные методы лечения в клиническую практику.

Цитирование: Horgan, D., Paulson, J.N., Loaiza-Bonilla, A. et al. A unified framework for pre-screening and screening tools in oncology clinical trials. npj Precis. Onc. 10, 143 (2026). https://doi.org/10.1038/s41698-026-01306-3

Ключевые слова: клинические исследования рака, подбор испытаний, искусственный интеллект, точная онкология, набор пациентов