Yapay zekâ ile klinisyenleri klinik denemelerle eşleştirme

Denemeler için Doğru Doktorları Bulmanın Önemi

Her yeni ilaç veya aşı dikkatle tasarlanmış klinik denemelerde test edilmelidir. Ancak birçok deneme yeterli gönüllüyü bulmakta zorlanır veya tedaviyi kullanacak gerçek dünya nüfusunu yansıtmayan hastaları kaydeder. Bu çalışmanın yazarları, Denemeyi hangi doktorların ve kliniklerin yürütmesi gerektiğini seçmeye yardımcı olan DocTr adında bir yapay zekâ sistemi geliştirdiler. Bu “saha seçimi” adımını iyileştirerek, sistem yeni tedavilere erişimi hızlandırmayı ve araştırmayı daha kapsayıcı ve maliyet‑etkin hale getirmeyi amaçlıyor.

Tıpta Gizli Tıkanma Noktası

Klinik denemeler genellikle bir tedavi etkisiz olduğu için değil, doğru hastaların kaydedilmemesi yüzünden başarısız olur. Geleneksel olarak ilaç şirketleri hangi doktorların davet edileceğine karar vermek için el ile arama, kişisel ağlar ve varsayımlara dayanır. Bu süreç yavaş olabilir, tanınmış araştırmacıların küçük bir çevresine yönelik önyargılı sonuçlar verebilir ve çeşitli topluluklara hizmet eden ümit vadeden sahaları görmezden gelebilir. Sonuç ürkütücü: birçok deneme merkezi planlanandan çok daha az hasta kaydeder, bazıları hiç hasta kaydetmez ve gecikmeler sponsorlar için günde yüz binlerce ila milyonlarca dolara mal olabilir.

Bilgisayara Doktorlarla Denemeleri Eşleştirmeyi Öğretmek

DocTr sorunu birkaç büyük, gerçek dünya veri kaynağından öğrenerek ele alır. Önce, ClinicalTrials.gov’daki halka açık deneme açıklamalarını —incelenen hastalıklar ve kimlerin kaydolmaya uygun olduğu dahil— okur. İkinci olarak, her klinisyenin tedavi ettiği hasta türlerine dayanan bir profil oluşturmak için anonimleştirilmiş sigorta taleplerini kullanır—özünde, beş yıllık bir uygulama anlık görüntüsü. Üçüncü olarak, belirli denemelere bağlı olarak klinisyenlere yapılan endüstri ödemelerini kaydeden ABD OpenPayments veritabanına erişir. Bu geçmiş ödeme bağlantıları, hangi doktorların hangi çalışmalarda gerçekten yer aldığına dair bir vekil görevi görerek sistemin öğrenmesi için başarılı eşleşme örnekleri sağlar.

Yapay Zekânın Metin, Sayı ve Ağlardan Öğrenmesi

Bu bileşenleri birleştirmek için araştırmacılar hem dili hem de veri desenlerini anlayan bir model geliştirdiler. Bir bileşen, deneme özetlerini ve uygunluk kurallarını anlamı yakalayan matematiksel vektörlere dönüştürmek için tıbbî bir BERT dil modeli kullanır. Başka bir bileşen her doktorun hasta tanı karışımını kompakt bir temsile özetler. Üçüncü parça ise deneme–doktor geçmişini bir ağ olarak ele alır ve kimlerin kimlerle hangi alanlarda çalıştığını yakalamak için grafik öğrenme teknikleri kullanır. DocTr bu sinyalleri her potansiyel deneme–doktor çifti için tek bir eşleşme skorunda harmanlar ve ardından her yeni çalışma için klinisyenleri sıralar.

Daha İyi Eşleşmeler, Daha Adil Kayıt ve Daha Az Çıkar Çatışması

Yaklaşık 25.000 ABD’li klinisyen ve 5.000’den fazla deneme üzerinde test edildiğinde, DocTr önerdiği klinisyen listeleri en iyi mevcut yöntemlere kıyasla gerçek dünya deneme kadrolarına yaklaşık %58 daha benzer sonuçlar verdi. Önemli olarak, sistem yalnızca doğruluğa odaklanmaz. Yerleşik bir optimizasyon adımı, en iyi adayları ırk, etnik köken ve coğrafya bakımından çeşitliliği teşvik edecek şekilde yeniden düzenlerken, zaten birçok çalışmayla meşgul olan doktorlardan kaçınır. Bu süreç mevcut uygulamaya kıyasla çeşitlilik puanlarını artırdı ve önerilen klinisyenlerin ortalama çakışan deneme sayısını hemen hemen sıfıra düşürdü; tüm bunlar eşleşme kalitesinden ödün vermeden gerçekleşti.

Maliyet ve Planlama Konusunda Öngörü Sağlamak

DocTr ayrıca ödeme kayıtlarından öğrendiği için yeni bir deneme veya belirli bir klinisyen için işe alımın ne kadar maliyetli olacağını tahmin edebilir. Benzer profillere sahip geçmiş denemeleri ve doktorları bularak, gerçek verilerle makul ölçüde uyumlu maliyet ve kayıt tahminleri üretir. Bu tahminler tam bütçeler değildir, ancak sponsorların seçenekleri karşılaştırmasına, olağandışı maliyetli planları tespit etmesine ve hız, çeşitlilik ve maliyeti dengeleyen işe alım stratejileri seçmesine yardımcı olur.

Hastalar ve Gelecek İçin Anlamı

Çalışma, mevcut verilerin akıllıca kullanılmasının klinik denemeleri daha güvenilir, daha hızlı ve daha adil hale getirebileceğini gösteriyor. DocTr her önyargı kaynağını düzeltemez—örneğin bir protokole yazılmış kısıtlayıcı uygunluk kuralları—ama değerlendirmeye alınan doktor çevresini genişletebilir ve sıkça dışlanan toplulukların araştırmaya dahil edilmesine yardımcı olabilir. Benimsendiği ve dikkatle yönetildiği takdirde, DocTr benzeri sistemler laboratuvar keşiflerinden gerçek dünya tedavilerine giden yolu kısaltabilir ve daha fazla hastaya yarınların ilaçlarının şekillenmesine katılma şansı verebilir.

Atıf: 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

Anahtar kelimeler: klinik deneme katılımı, tıpta yapay zekâ, deneme saha seçimi, sağlık eşitliği, tıbbi veri analitiği