TrialMatchAI: ett helhets-AI-system för rekommendationer av kliniska prövningar som effektiviserar matchning mellan patient och prövning

Varför det spelar roll att matcha patienter till prövningar

För många med allvarliga sjukdomar, särskilt cancer, kan kliniska prövningar ge tillgång till nya behandlingar när standardalternativen tagit slut. Att hitta rätt prövning för rätt patient är emellertid förvånansvärt svårt och tidskrävande. Denna artikel beskriver TrialMatchAI, ett artificiellt intelligenssystem utformat för att hjälpa läkare att snabbt se vilka prövningar som passar en patient bäst, samtidigt som data hålls privata och besluten är begripliga.

En digital vägvisare genom prövningsdjungeln

Varje klinisk prövning kommer med sidor av regler som anger vem som kan delta och vem som inte kan. Samtidigt har varje patient en rik medicinsk historia utspridd över laboratorieresultat, genetiska tester, röntgenrapporter och läkaranteckningar. Traditionellt måste personal läsa båda sidorna för hand och avgöra om det finns en match, en process som kan ta timmar per patient och lätt missa möjligheter. TrialMatchAI angriper detta genom att läsa både patientjournaler och prövningsdokument, för att sedan ta fram en kort, rangordnad lista över prövningar som verkar lämpliga för en viss person.

Hur AI:n läser medicinska journaler och prövningar

TrialMatchAI arbetar steg för steg. Först tar systemet emot patientinformation, inklusive grundläggande uppgifter, medicinsk bakgrund, laboratoriemätningar och molekylära tester, i ett standardformat som sjukhus kan exportera. Det bearbetar också prövningsbeskrivningar från offentliga register och delar upp långa inklusions-/exklusionsavsnitt i enskilda regler. Med hjälp av specialiserade språkmodeller tränade på medicinsk text identifierar systemet nyckelobjekt som sjukdomar, läkemedel, gener och mutationer och kartlägger dem mot gemensamma medicinska ordlistor. Det gör det enklare att jämföra formuleringar som varierar mellan sjukhus och prövningsregister.

Att hitta och rangordna lovande alternativ

När informationen är strukturerad söker TrialMatchAI igenom en stor mängd prövningar med två metoder samtidigt: en klassisk sökning på nyckelord och en likhetssökning som tar hänsyn till helhetsbetydelsen. Denna kombination plockar fram några hundra potentiellt relevanta prövningar från tiotusentals. En andra språkmodell går sedan igenom varje prövning regel för regel och bedömer hur väl varje villkor passar patienten. Slutligen går en resonemangsmodell igenom reglernas finstilta detaljer, markerar dem som uppfyllda, ej uppfyllda, oklara eller ej relevanta, och förklarar varför. Dessa poäng kombineras till ett enda värde per prövning, vilket används för att sortera den slutliga rekommendationslistan.

Hur väl systemet presterar i tester

Forskarna testade TrialMatchAI på flera fronter. Med syntetiska patientfall från två välkända offentliga utmaningar hämtade systemet mer än 90 procent av relevanta prövningar samtidigt som det endast granskade cirka 3 procent av hela prövningsmängden, och det tenderade att placera de bästa prövningarna högt i listan. I en egen uppsättning av hundra ”ideala” patienter, vars uppgifter var utformade för att perfekt matcha specifika cancerprövningar, hamnade rätt prövning bland de två översta förslagen för 95 procent av patienterna. I ett verkligt test med 52 personer med metastaserad cancer från ett nederländskt sjukhus hade 92 procent åtminstone en lämplig biomarkördriven prövning bland de 20 bästa rekommendationerna. Experter som granskade över tusen enskilda prövningsregler fann att AI:ns regel-för-regel-beslut var korrekta i mer än 90 procent av fallen.

Varför öppenhet, integritet och begränsningar är viktiga

Till skillnad från många AI-verktyg som förlitar sig på slutna kommersiella språkmodeller använder TrialMatchAI öppen källkod-modeller som kan köras helt inom ett sjukhusnätverk. Denna design underlättar för att uppfylla integritetslagar och gör det möjligt för forskare att inspektera, uppdatera eller ersätta individuella delar av systemet i takt med att nya metoder dyker upp. Författarna noterar att verktyget är avsett att stödja, inte ersätta, medicinskt omdöme, och att det fortfarande kan göra sällsynta misstag eller ge förklaringar som inte fullt ut överensstämmer med data. De skisserar framtida steg som bättre felkontroller, sätt att snabba upp modellerna och tillägg som kan hjälpa till att hitta patienter för specifika prövningar.

Vad detta betyder för patienter och läkare

Enkelt uttryckt visar studien att en AI-assistent pålitligt kan sålla bland enorma mängder kliniska prövningar och patientuppgifter för att lyfta fram de mest lovande alternativen, särskilt inom cancerbehandling. TrialMatchAI gör detta samtidigt som data hålls lokalt, med tydliga regel-för-regel-motiveringar och med modeller som forskningssamhället öppet kan studera och förbättra. Om sådana system antas och valideras vidare i vardagspraktiken kan de förkorta tiden från diagnos till prövningsinskrivning och ge fler patienter snabb tillgång till studier som matchar deras medicinska och molekylära profil.

Citering: 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

Nyckelord: matchning av kliniska prövningar, precisionsonkologi, stora språkmodeller, patientrekrytering, medicinsk AI