TrialMatchAI：一个端到端的 AI 驱动临床试验推荐系统，旨在简化患者与试验的匹配

为何将患者匹配到试验很重要

对于许多患有重症的人，尤其是癌症患者，当标准治疗方案已无选择时，临床试验可提供获得新疗法的途径。然而，为合适的患者找到合适的试验出人意料地困难且耗时。本文介绍了 TrialMatchAI，这是一套旨在帮助医生快速识别最适合患者的试验的人工智能系统，同时保持数据隐私并使决策可理解。

在试验迷宫中的数字向导

每项临床试验都有长篇的规则，说明谁可以参加、谁不能参加。与此同时，每位患者的病史散见于化验结果、基因检测、影像报告和医生笔记中。传统上，工作人员必须手工阅读两方面的信息并决定是否匹配，这一过程每位患者可能耗时数小时，且容易错失机会。TrialMatchAI 通过读取患者记录和试验文档，并为特定患者生成一个简短的、排序过的适合试验列表来应对此问题。

AI 如何阅读病历和试验文件

TrialMatchAI 以分步方式工作。首先，它摄入患者信息，包括基本信息、病史、化验数值和分子检测，采用医院可导出的标准数据格式。它还解析来自公共注册库的试验描述，将冗长的入组标准拆分为单独规则。在经过以医学文本训练的专用语言模型的帮助下，系统识别疾病、药物、基因和突变等关键条目，并将它们映射到共享医学词典。这使得比较不同医院和试验注册处以不同方式表述的内容变得更容易。

寻找并排序有前景的选项

信息结构化后，TrialMatchAI 同时使用两种方法在大量试验中搜索：经典的关键词检索和关注整体语义的相似性检索。该组合从成千上万项试验中筛出几百项潜在相关试验。随后，第二个语言模型逐条审查每个试验的规则，评估每项条件与患者的匹配程度。最后，一个推理模型逐条走查细则，将其标记为满足、不满足、不清楚或不相关，并解释原因。这些评分被合成为每项试验的单一分数，用于对最终推荐列表进行排序。

系统在测试中的表现如何

研究人员在多个方面测试了 TrialMatchAI。使用两个知名公开挑战中的合成患者案例时，该系统在只检查约全部试验集合 3% 的情况下检索到了超过 90% 的相关试验，且通常将最佳试验排在列表前列。在一个由一百名“理想”患者组成的自定义集合中，这些患者的详情被精心设计以完全匹配特定的癌症试验，对于 95% 的患者，正确的试验出现在前两位建议中。在荷兰一家医院对 52 名转移性癌症患者的真实世界测试中，92% 的患者在前 20 项推荐中至少包含一项合适的基于生物标志物的试验。审查了逾千条单独试验规则的专家发现，AI 的逐条判断在超过 90% 的情况下是准确的。

为何开放性、隐私与局限性很重要

不同于依赖封闭商业语言模型的许多 AI 工具，TrialMatchAI 使用可在医院网络内完全运行的开源模型。这种设计有助于遵守隐私法规，并允许研究人员在新方法出现时检查、更新或替换系统的各个部分。作者指出，该工具旨在支持而非替代医疗判断，且仍可能偶发出错或提供与数据并不完全一致的解释。他们概述了未来的步骤，例如更好的错误检测、加速模型的方式以及可帮助为特定试验寻找患者的扩展功能。

这对患者和医生意味着什么

简言之，该研究显示，AI 助手能够可靠地在海量临床试验和患者详情中筛选出最有前景的选项，特别是在癌症护理中。TrialMatchAI 在保持数据本地化、提供逐条规则的清晰理由并使用研究界可以公开审查和改进的模型的同时实现了这一点。如果在日常临床实践中得到进一步采用和验证，此类系统有望缩短从诊断到试验入组的路径，使更多患者能够及时获得与其医学和分子特征相符的研究机会。

引用: 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

关键词: 临床试验匹配, 精准肿瘤学, 大型语言模型, 患者招募, 医学人工智能