Människa–AI-samarbete för att förbättra noggrannhet och effektivitet vid förhandsgranskning av inklusionskriterier för onkologiska studier: en randomiserad utvärderingsstudie med retrospektiva elektroniska journaler

Varför det spelar roll att hitta rätt patienter

För många personer med cancer kan deltagande i en klinisk prövning öppna dörren till nyskapande behandlingar och bättre utfall. Endast en liten andel vuxna med cancer anmäler sig dock någonsin. Ett stort hinder uppstår långt innan patienten skriver under ett samtycke: personal måste gräva igenom långa, röriga medicinska handlingar för att avgöra vem som överhuvudtaget kvalificerar sig. Denna studie undersöker om ett team bestående av mänskliga experter och ett artificiellt intelligenssystem kan göra den inledande urvalsprocessen mer träffsäker—utan att göra den långsammare.

Hur urval till prövningar fungerar i dag

Innan en person kan delta i en cancerstudie måste forskningspersonal avgöra om patienten uppfyller dussintals detaljerade inklusionsregler, såsom cancertyp, stadium, provsvar och funktionsnivå i vardagen. Mycket av denna information ligger gömd i ostrukturerade anteckningar—radiologirapporter, mottagningsbesök, laboratoriesammanfattningar—som ofta är repetitiva, ofullständiga eller motsägelsefulla. Att manuellt gå igenom dessa dokument är långsamt och utmattande, och även erfaren personal kan missa avgörande uppgifter. Som en följd identifieras vissa lämpliga patienter aldrig, och potentiellt livsförlängande behandlingsmöjligheter går förlorade.

Vad forskarna testade

För att se om AI kunde hjälpa använde teamet elektroniska journaler från 355 personer med lung‑ eller kolorektalcancer som behandlats i en vårdcentral. De fokuserade på 12 vanliga prövningskriterier, bland annat tumörstadium, specifika biomarkörer, tidigare behandlingssvar och grundläggande hälsostatus. Ett specialiserat ”neurosymboliskt” språkssystem konverterade först inskannade journaler till text och identifierade därefter strukturerade fakta som provresultat och stadieuppgifter. Två utbildade studiekoordinatorer granskade sedan varje journal två gånger—en gång med AI‑förslag på skärmen (Människa+AI‑metoden) och en gång utan dem (endast människa), i slumpmässig ordning. En separat grupp kliniker hade redan skapat en ”guldstandard” för varje journal som användes för att bedöma noggrannheten.

Hur bra Människa–AI‑teamet presterade

När människor och AI samarbetade stämde deras bedömningar oftare överens med guldstandarden än när människor arbetade ensamma. Sammantaget fick Människa+AI‑teamet ungefär tre av fyra uppgifter rätt, jämfört med drygt sju av tio för enbart mänskliga granskare, och avsevärt bättre än AI‑systemet på egen hand. De största förbättringarna sågs i svåra områden som biomarkörstestning och -resultat, exakt tumörstadieindelning och hur patienten svarat på tidigare behandlingar. I dessa kategorier hjälpte AI:ns förmåga att sålla i stora textmängder koordinatorerna att hitta information som annars kunnat förbises, medan människorna rättade till AI‑fel och tolkade osäkra fall.

Hastighet, kompromisser och mänsklig bias

Överraskande nog gjorde inte tillsatsen av AI processen snabbare. Båda metoderna tog i genomsnitt strax över en halvtimme per journal. Författarna föreslår att AI:n, istället för att spara tid, omfördelade koordinatorernas arbete: istället för att leta upp varje detalj själva lade de mer tid på att kontrollera och tolka AI‑föreslagna uppgifter. Det kan faktiskt vara ett sundhetstecken, eftersom det minskar risken att människor bara accepterar maskinens svar utan ifrågasättande. Studien undersökte också var samarbetet kan gå fel. I en mätning av patientens funktionsnivå var AI:n opålitlig, och mänskliga granskare som förlitade sig för mycket på dess utslag presterade något sämre—ett tecken på ”automationsbias”. På andra områden verkade människor underskatta användningen av korrekta AI‑indikatorer, vilket tyder på ”bekräftelsebias”, där man föredrar information som matchar ens första intryck.

Vad detta betyder för framtidens cancervård

Enkelt uttryckt visar denna prövning att ett väl utformat samarbete mellan människor och AI kan göra den inledande prövningsurvalet något mer träffsäkert utan att sakta ned processen. Förbättringarna är måttliga, men de är koncentrerade till just de komplexa detaljer—som biomarkörstatus och exakt stadieindelning—som ofta avgör om en patient kan delta i en studie. Om sådana system vidareutvecklas och testas i verkliga kliniska arbetsflöden kan de hjälpa till att hitta fler lämpade patienter, bredda vilka som får tillgång till nyskapande onkologiska prövningar och samtidigt behålla människan som sista beslutsfattare.

Citering: 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

Nyckelord: kliniska cancerstudier, elektroniska journaler, artificiell intelligens, patienters lämplighet, människa‑AI‑samarbete