Matcha kliniker med kliniska prövningar med hjälp av AI

Varför det spelar roll att hitta rätt läkare för prövningar

Varje nytt läkemedel eller vaccin måste prövas i noggrant utformade kliniska studier. Ändå har många prövningar svårt att hitta tillräckligt många frivilliga, eller de rekryterar patienter som inte speglar den verkliga befolkning som kommer att använda behandlingen. Författarna till denna studie utvecklade ett system med artificiell intelligens, kallat DocTr, som hjälper prövningsarrangörer att välja vilka läkare och kliniker som bör genomföra en studie. Genom att förbättra detta steg i "val av prövningsställe" syftar systemet till att snabba upp tillgången till nya terapier samtidigt som forskningen blir mer inkluderande och kostnadseffektiv.

Den dolda proppen i medicinsk forskning

Kliniska prövningar misslyckas ofta inte därför att en behandling är ineffektiv, utan därför att rätt patienter aldrig rekryteras. Traditionellt förlitar sig läkemedelsföretag på manuella sökningar, personliga nätverk och gissningar för att avgöra vilka läkare som ska bjudas in. Denna process kan vara långsam, partisk till en liten krets välkända forskare och blind för lovande ställen som vårdar mångfaldiga samhällen. Resultatet är dämpande: många prövningsplatser rekryterar långt färre patienter än planerat, vissa rekryterar inga alls, och fördröjningar kan kosta sponsorer hundratusentals till miljontals dollar per dag.

Lära en dator att matcha läkare och prövningar

DocTr angriper problemet genom att lära av flera stora verkliga datakällor. För det första läser det offentliga prövningsbeskrivningar från ClinicalTrials.gov, inklusive de sjukdomar som studeras och vem som är berättigad att delta. För det andra använder det anonymiserade sjukförsäkringsanspråk för att bygga en profil av varje kliniker baserat på vilka typer av patienter de behandlar—i huvudsak en femårsöversikt av deras praktik. För det tredje utnyttjar det US OpenPayments-databasen, som registrerar industrins betalningar till kliniker kopplade till specifika prövningar. Dessa tidigare betalningslänkar tjänar som en ersättning för vilka läkare som faktiskt arbetat med vilka studier, vilket ger systemet exempel på framgångsrika matchningar att lära av.

Hur AI lär sig av text, siffror och nätverk

För att förena dessa ingredienser byggde forskarna en modell som förstår både språk och mönster i data. En komponent använder en medicinsk version av BERT-språkmodellen för att omvandla prövningssammanfattningar och inklusionsregler till matematiska vektorer som fångar betydelse. En annan komponent sammanfattar varje läkares mix av patientdiagnoser till en kompakt representation. En tredje del behandlar prövnings–läkare-historiken som ett nätverk och använder grafinlärningstekniker för att fånga vem som arbetat med vem och inom vilka områden. DocTr blandar dessa signaler till en enda matchningspoäng för varje potentiellt prövnings–läkarpar och rankar sedan kliniker för varje ny studie.

Bättre matchningar, rättvisare inklusion och färre intressekonflikter

När det testades på nästan 25 000 amerikanska kliniker och mer än 5 000 prövningar gav DocTr rekommenderade listor över kliniker som var ungefär 58 % mer lika verkliga prövningslistor än de bästa befintliga metoderna. Viktigt är att systemet även tittar bortom ren träffsäkerhet. Ett inbyggt optimeringssteg omfördelar de bästa kandidaterna för att främja mångfald i ras, etnicitet och geografi, samtidigt som det undviker läkare som redan är upptagna med många andra studier. Denna process ökade mångfaldsresultaten jämfört med nuvarande praxis och minskade genomsnittet av överlappande prövningar för rekommenderade kliniker till nästan noll, utan att offra matchningskvaliteten.

Se runt hörn vad gäller kostnader och planering

Där DocTr också lär sig från betalningsregister kan det uppskatta hur dyr rekrytering kan bli för en ny prövning eller för en viss kliniker. Genom att hitta tidigare prövningar och läkare med liknande profiler producerar det kostnads- och rekryteringsprognoser som följer verkliga data relativt väl. Dessa prognoser är inte fullständiga budgetar, men de ger sponsorer ett sätt att jämföra alternativ, upptäcka ovanligt kostsamma planer och välja rekryteringsstrategier som balanserar snabbhet, mångfald och kostnad.

Vad detta innebär för patienter och framtiden

Studien visar att smart användning av befintliga data kan göra kliniska prövningar mer pålitliga, snabbare och mer rättvisa. DocTr kan inte åtgärda alla källor till snedvridning—såsom restriktiva inklusionsregler skrivna i ett protokoll—men det kan vidga kretsen av betraktade läkare och hjälpa till att inkludera samhällen som ofta har lämnats utanför forskningen. Om det antas och styrs varsamt kan system som DocTr förkorta vägen från laboratoriefynd till verkliga behandlingar, samtidigt som fler patienter får en möjlighet att delta i att forma morgondagens läkemedel.

Citering: 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

Nyckelord: rekrytering till kliniska prövningar, artificiell intelligens inom medicin, val av prövningsenhet, hälsojämlikhet, medicinsk dataanalys