Подбор клиницистов для клинических испытаний с помощью ИИ

Почему важно находить подходящих врачей для испытаний

Каждое новое лекарство или вакцина должны быть проверены в тщательно спланированных клинических испытаниях. Тем не менее многие исследования испытывают трудности с набором достаточного числа добровольцев или привлекают пациентов, которые не отражают реальную популяцию, которой будет назначено лечение. Авторы этого исследования разработали систему искусственного интеллекта под названием DocTr, которая помогает организаторам испытаний выбирать врачей и клиники для проведения исследования. Улучшив этап «выбора площадок», система призвана ускорить доступ к новым терапиям и одновременно сделать исследования более инклюзивными и экономически эффективными.

Скрытое узкое место в медицинских исследованиях

Клинические испытания часто завершаются не потому, что лечение неэффективно, а потому, что не удается привлечь подходящих пациентов. Традиционно фармацевтические компании полагаются на ручный поиск, личные сети и догадки при выборе врачей для приглашения. Этот процесс может быть медленным, смещённым в сторону ограниченного круга хорошо известных исследователей и не замечать перспективные площадки, обслуживающие разнообразные сообщества. Итог печален: многие места набора привлекают значительно меньше пациентов, чем планировалось, некоторые вовсе никого не набирают, а задержки обходятся спонсорам в сотни тысяч — миллионы долларов в день.

Обучение компьютера подбирать врачей и испытания

DocTr решает проблему, обучаясь на нескольких крупных реальных источниках данных. Во‑первых, он «читает» публичные описания испытаний с ClinicalTrials.gov, включая изучаемые заболевания и критерии приемлемости участников. Во‑вторых, система использует анонимизированные страховые выписки, чтобы сформировать профиль каждого клинициста на основе типов пациентов, которых он лечит — по сути пяти‑летняя «снимок» его практики. В‑третьих, она обращается к базе US OpenPayments, где фиксируются платежи индустрии врачам, связанные с конкретными испытаниями. Эти прошлые связи по платежам служат заменой для того, какие врачи реально работали над какими исследованиями, давая системе примеры удачных соответствий для обучения.

Как ИИ учится на текстах, числах и сетях

Чтобы объединить эти компоненты, исследователи построили модель, которая понимает и язык, и шаблоны в данных. Одна часть использует медицинскую версию языковой модели BERT, чтобы превращать резюме испытаний и правила приемлемости в математические векторы, передающие смысл. Другая часть сводит набор диагнозов пациентов каждого врача в компактное представление. Третья учитывает историю взаимодействий «испытание–врач» как сеть и применяет графовые алгоритмы, чтобы зафиксировать, кто с кем работал и в каких областях. DocTr объединяет эти сигналы в единый показатель соответствия для каждой потенциальной пары испытание–врач, а затем ранжирует клиницистов для каждого нового исследования.

Лучшие соответствия, более справедливый набор и меньше конфликтов

При проверке на почти 25 000 американских клиницистов и более 5 000 испытаний DocTr сгенерировал списки рекомендованных врачей, которые были примерно на 58% ближе к реальному составу команд испытаний, чем лучшие существующие методы. Важный момент в том, что система учитывает не только точность. Встроенный шаг оптимизации перераспределяет лучших кандидатов, чтобы способствовать разнообразию по расе, этничности и географии, одновременно избегая врачей, уже загруженных множеством других исследований. Этот подход повысил показатели разнообразия по сравнению с текущей практикой и сократил среднее число перекрывающихся испытаний у рекомендованных клиницистов почти до нуля, не жертвуя качеством соответствия.

Предвидение затрат и планирования

Поскольку DocTr обучается также на записях о платежах, он может оценивать, насколько дорогостоящим может быть набор участников для нового испытания или для конкретного врача. Находя прошлые испытания и врачей с похожими профилями, система формирует прогнозы по стоимости и набору, которые достаточно точно отражают реальные данные. Эти прогнозы не заменяют полноценный бюджет, но дают спонсорам инструмент для сравнения вариантов, выявления необычно дорогих планов и выбора стратегий набора, которые балансируют скорость, разнообразие и расходы.

Что это значит для пациентов и будущего

Исследование показывает, что разумное использование имеющихся данных может сделать клинические испытания более надёжными, быстрыми и справедливыми. DocTr не способен устранить все источники предвзятости — например, строгие критерии приемлемости, прописанные в протоколе — но он может расширить круг рассматриваемых врачей и помочь включить сообщества, которые часто оказывались вне исследований. При условии внедрения и тщательного управления системы наподобие DocTr могли бы сократить путь от лабораторных открытий до реальных лечебных средств, одновременно предоставляя большему числу пациентов возможность участвовать в формировании лекарств будущего.

Цитирование: Gao, J., Xiao, C., Glass, L.M. et al. Matching clinicians with clinical trials using AI. Nat. Health 1, 290–299 (2026). https://doi.org/10.1038/s44360-026-00073-6

Ключевые слова: набор участников клинических исследований, искусственный интеллект в медицине, выбор мест проведения испытаний, справедливость в здравоохранении, анализ медицинских данных