Onkoloji denemeleri için uygunluk kriterlerinin ön taramasında doğruluk ve verimliliği artırmak üzere İnsan-YZ eşgüdümü: retrospektif elektronik sağlık kayıtlarını kullanan randomize değerlendirme denemesi

Doğru Hastayı Bulmanın Neden Önemi Var

Birçok kanser hastası için klinik denemeye katılmak en yeni tedavilere ve daha iyi sonuçlara kapı açabilir. Yine de yetişkin kanser hastalarının yalnızca küçük bir kısmı denemelere kaydolur. Önemli darboğazlardan biri, hastanın onam formu imzalamadan çok önce ortaya çıkar: personel, kimin gerçekten uygun olduğunu görmek için uzun, dağınık tıbbi kayıtları didiklemelidir. Bu çalışma, insan uzmanları yapay zeka sistemiyle eşleştirmenin bu erken taramayı daha doğru hale getirip getiremeyeceğini—süreci yavaşlatmadan—sorguluyor.

Günümüzde Deneme Taraması Nasıl İşliyor

Bir kişi bir kanser denemesine katılmadan önce, klinik araştırma personeli hastanın kanser türü, evresi, test sonuçları ve günlük işlevselliği gibi onlarca ayrıntılı giriş kuralını karşılayıp karşılamadığını belirlemelidir. Bu bilgilerin çoğu yapılandırılmamış notların—radyoloji raporları, poliklinik ziyaretleri, laboratuvar özetleri—içine gömülüdür ve sıklıkla tekrarlı, eksik veya çelişkili olur. Bu belgelerin elle taranması yavaş ve yorucudur; deneyimli personel bile önemli ayrıntıları kaçırabilir. Sonuç olarak, uygun bazı hastalar hiç tespit edilmez ve yaşamı uzatabilecek seçenekler kaybedilir.

Araştırmacıların Test Ettikleri

YZ’nin yardımcı olup olamayacağını görmek için ekip, bir toplum pratiğinde tedavi edilen 355 akciğer veya kolorektal kanserli kişiye ait elektronik kayıtları kullandı. Tümör evresi, belirli biyobelirteçler, önceki tedaviye yanıt ve temel sağlık durumu dahil olmak üzere 12 yaygın deneme kriterine odaklandılar. Özel bir “neurosymbolic” dil sistemi önce taranmış dosyaları metne dönüştürdü, ardından test sonuçları ve evreleme ayrıntıları gibi yapılandırılmış bulguları tanımladı. İki eğitimli araştırma koordinatörü her dosyayı iki kez inceledi—bir kez ekranda YZ önerileriyle (İnsan+YZ yaklaşımı) ve bir kez bu öneriler olmadan (yalnız insan yaklaşımı), rastgele sırayla. Ayrı bir klinisyen grubu, doğruluğu değerlendirmek için her dosya için zaten bir “altın standart” cevap anahtarı oluşturmuştu.

İnsan–YZ Ekibinin Performansı Nasıl Oldu

İnsanlar ve YZ birlikte çalıştığında, altın standart cevaplarla insanın tek başına çalışmasından daha sık uyuşma gösterdiler. Genel olarak, İnsan+YZ ekibi yaklaşık dörtte üç oranında ayrıntıyı doğru yanıtladı; bu, yalnız insan incelemeciler için biraz üzerinde yedi onda bir ve tek başına YZ sisteminden çok daha iyiydi. En büyük kazanımlar biyobelirteç testleri ve sonuçları, tümörün kesin evrelemesi ve hastanın önceki tedavilere verdiği yanıt gibi zor alanlarda görüldü. Bu kategorilerde YZ’nin büyük metin hacimlerini eleme gücü, koordinatörlerin aksi takdirde gözden kaçırabilecekleri bilgileri fark etmelerini sağladı; insanlarsa YZ hatalarını düzeltti ve belirsiz durumları yorumladı.

Hız, Takaslar ve İnsan Önyargısı

Şaşırtıcı şekilde, YZ eklenmesi süreci daha hızlı hale getirmedi. Her iki yaklaşım da dosya başına ortalama biraz fazla yarım saat sürdü. Yazarlar, YZ’nin zaman kazandırmak yerine koordinatörlerin işini değiştirdiğini öne sürüyor: her ayrıntıyı kendileri aramak yerine, YZ tarafından önerilen girdileri kontrol etmek ve yorumlamak için daha fazla çaba harcadılar. Bu aslında sağlıklı bir koruma olabilir; insanların makinenin cevaplarını sorgulamadan kabul etme riskini azaltır. Çalışma ayrıca işbirliğinin nerede yanlış gidebileceğini de inceledi. Hastanın işlevselliğine ilişkin bir ölçümde YZ güvenilir değildi ve çıktılarına aşırı güvenen insan incelemeciler biraz daha kötü performans gösterdi—bu, “otomasyon önyargısı”na işaret ediyor. Diğer alanlarda ise insanlar doğru YZ sinyallerini yeterince kullanmamış gibi görünüyordu; bu da kişilerin ilk izlenimleriyle örtüşen bilgileri tercih ettiği “doğrulama önyargısına” işaret ediyor.

Bu, Gelecekteki Kanser Bakımı İçin Ne Anlama Geliyor

Açık ifadeyle, bu deneme iyi tasarlanmış bir insan-YZ ortaklığının erken deneme taramasını yavaşlatmadan biraz daha doğru hale getirebileceğini gösteriyor. İyileşmeler ılımlı olsa da, tam da bir hastanın bir çalışmaya katılıp katılamayacağını sıklıkla belirleyen biyobelirteç durumu ve kesin evreleme gibi karmaşık ayrıntılarda yoğunlaşıyorlar. Böyle sistemler daha da geliştirilip canlı klinik iş akışlarında test edilirse, daha fazla uygun hastanın ortaya çıkarılmasına yardımcı olabilir, ileri düzey onkoloji denemelerine erişimi genişletebilir ve nihai kararların kontrolünü insanlarda tutarak bunu başarabilirler.

Atıf: 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

Anahtar kelimeler: kanser klinik denemeleri, elektronik sağlık kayıtları, yapay zeka, hasta uygunluğu, insan YZ işbirliği