TrialMatchAI: hasta ile deneme eşleştirmesini kolaylaştırmak için uçtan uca yapay zekâ destekli bir klinik deneme öneri sistemi

Hastaları denemelerle eşleştirmenin önemi

Ciddi hastalığı olan birçok kişi, özellikle kanser hastaları için, standart seçenekler tükendiğinde klinik denemeler yeni tedavilere erişim sağlayabilir. Ancak doğru hasta için doğru denemeyi bulmak şaşırtıcı derecede zor ve zaman alıcıdır. Bu makale, doktorların hangi denemelerin bir hasta için en uygun olduğunu hızla belirlemesine yardımcı olmak üzere tasarlanmış ve veri gizliliğini ile kararların anlaşılabilirliğini koruyan bir yapay zekâ sistemi olan TrialMatchAI’yi anlatır.

Denemeler labirentinde dijital bir rehber

Her klinik denemenin, kimin katılabileceğini veya katılamayacağını belirten sayfalar dolusu kuralları vardır. Aynı zamanda her hastanın laboratuvar sonuçları, genetik testler, görüntü raporları ve doktor notları gibi kapsamlı bir tıbbi geçmişi bulunur. Geleneksel olarak personel her iki tarafı da el ile okuyup eşleşme olup olmadığına karar vermek zorundadır; bu süreç hasta başına saatler sürebilir ve fırsatların kaçmasına neden olabilir. TrialMatchAI, hasta kayıtlarını ve deneme belgelerini okuyarak, belirli bir kişi için uygun görünen denemelerin kısa, sıralı bir listesini üreterek bu sorunu çözer.

Yapay zekânın tıbbi kayıtları ve denemeleri okuma biçimi

TrialMatchAI adım adım çalışır. Önce, hastanenin dışa aktarabileceği standart bir veri biçimini kullanarak temel bilgiler, tıbbi öykü, laboratuvar ölçümleri ve moleküler testler de dahil olmak üzere hasta bilgilerini alır. Ayrıca kamu kayıtlarındaki deneme açıklamalarını sindirerek uzun uygunluk bölümlerini tek tek kurallara böler. Tıbbi metinler üzerinde eğitilmiş uzman dil modellerinin yardımıyla sistem, hastalıklar, ilaçlar, genler ve mutasyonlar gibi ana öğeleri tanımlar ve bunları paylaşılan tıp sözlüklerine eşler. Bu, farklı hastaneler ve deneme kayıtlarında farklı biçimlerde yazılmış bilgileri karşılaştırmayı kolaylaştırır.

Uygun seçenekleri bulma ve sıralama

Bilgiler yapılandırıldıktan sonra TrialMatchAI, aynı anda iki yaklaşım kullanarak geniş bir deneme havuzunda arama yapar: klasik anahtar kelime araması ve genel anlamı gözeten benzerlik araması. Bu birleşim, on binlerce denemeden birkaç yüz olası ilgili denemeyi çıkarır. İkinci bir dil modeli daha sonra her deneme kuralını kural kural yeniden inceler ve her koşulun hasta ile ne kadar uyumlu olduğunu değerlendirir. Son olarak, bir akıl yürütme modeli kuralların ince yazılarını gözden geçirir, bunları karşılanmış, karşılanmamış, belirsiz veya alakasız olarak işaretler ve nedenini açıklar. Bu skorlar her deneme için tek bir sayıda birleştirilir ve son öneri listesinin sıralamasında kullanılır.

Sistemin testlerdeki performansı

Araştırmacılar TrialMatchAI’yi çeşitli cephelerde test ettiler. İki iyi bilinen kamu meydan okumalarından türetilen sentetik hasta vakalarını kullanarak, sistem tam deneme setinin yalnızca yaklaşık yüzde 3’ünü inceleyerek ilgili denemelerin yüzde 90’ından fazlasını geri getirdi ve en iyi denemeleri listenin üstüne yerleştirme eğilimindeydi. Belirli kanser denemelerine mükemmel şekilde uyan ayrıntılarla hazırlanmış yüz “ideal” hastadan oluşan özel bir sette, doğru deneme hastaların yüzde 95’i için ilk iki öneri arasındaydı. Hollanda’daki bir hastaneden metastatik kanserli 52 kişiyi içeren gerçek dünya testinde, yüzde 92’sinin ilk 20 öneri arasında en az bir uygun biyobelirteç odaklı denemesi vardı. Binlerce ayrı deneme kuralını gözden geçiren uzmanlar, yapay zekânın kural bazlı kararlarının yüzde 90’dan fazla doğrulukta olduğunu buldu.

Açıklık, gizlilik ve sınırlamaların önemi

Kapatılmış, ticari dil modellerine dayanan birçok yapay zekâ aracının aksine TrialMatchAI, tamamen bir hastane ağında çalıştırılabilecek açık kaynak modelleri kullanır. Bu tasarım gizlilik yasalarına yardımcı olur ve araştırmacıların sistemin bireysel parçalarını yeni yöntemler ortaya çıktıkça incelemesine, güncellemesine veya değiştirmesine olanak tanır. Yazarlar aracın tıbbi yargıyı desteklemek için olduğunu, yerine geçmeyi amaçlamadığını ve nadiren hatalar yapabileceğini veya açıklamalarının verilerle tam olarak uyuşmayabileceğini not eder. Hataları daha iyi kontrol etme, modelleri hızlandırma ve belirli denemeler için hasta bulmayı kolaylaştırabilecek uzantılar gibi gelecek adımları özetlerler.

Hastalar ve doktorlar için anlamı

Basitçe söylemek gerekirse çalışma, bir yapay zekâ asistanının büyük sayılardaki klinik denemeleri ve hasta ayrıntılarını güvenilir şekilde tarayarak en umut verici seçenekleri öne çıkarabileceğini gösteriyor; bu özellikle kanser bakımında geçerlidir. TrialMatchAI bunu verileri yerel tutarken, kural bazlı açık gerekçeler sunarken ve araştırma topluluğunun açıkça inceleyip geliştirebileceği modeller kullanırken yapar. Günlük uygulamada daha fazla benimsenip doğrulanırsa, bu tür sistemler tanı ile deneme kaydı arasındaki yolu kısaltarak daha fazla hastanın tıbbi ve moleküler profillerine uygun çalışmalara zamanında erişimini sağlayabilir.

Atıf: 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

Anahtar kelimeler: klinik deneme eşleştirme, hedefe yönelik onkoloji, büyük dil modelleri, hasta işe alımı, tıp yapay zekâsı