Paradigm、GPT-4を統合して臨床試験患者マッチングを加速

ParadigmはOpenAIのGPT-4 APIを統合し、臨床試験の適格性のために患者の医療記録のスクリーニングを自動化しました。専門的な機械学習モデルから大規模言語モデル（LLM）への移行により、データ抽出精度が10%向上し、臨床医の手作業負荷が大幅に削減されました。

臨床試験登録のボトルネック解消

臨床試験の登録は、患者の医療記録を評価するために必要な手作業が頻繁に障壁となります。医療提供者は試験を検索し、複雑な適格基準を理解し、患者をマッチさせる時間が不足しがちです。これにより、試験サイトの近くにいる患者が主に選ばれる選択バイアスが生じ、多くの人が命を救う治療へのアクセスが制限されます。

以前、Paradigmは専門家がキュレーションした「ゴールデンデータセット」で訓練されたドメイン固有のMLおよびNLPモデルを利用していました。しかし、このアプローチは、必要な情報ごとに別々のモデルを構築、訓練、検証する必要があるため非効率的でした。ParadigmのチーフストラテジーオフィサーであるJonathan Hirschは次のように述べています：

‘私たちは最先端のヘルスケアモデルをファインチューニングして展開し、さらに最適化しました。多くの時間を費やし、ユースケースごとにすべてを行う必要があります。情報の各項目ごとに別々のモデルを構築、訓練、検証しなければなりません。’

専門的MLに対するGPT-4の技術的優位性

Paradigmは単発のMLモデルをGPT-4に置き換え、LLMが従来の専門モデルだけでなく、場合によっては複雑なデータ評価タスクにおいて人間の専門家をも上回ることを確認しました。OpenAIのAPIを使用する決定は、主に4つの要因に基づいています：

• 精度: GPT-4は、最先端のMLモデルと比較して、混合精度/再現率指標で少なくとも10%の改善を示しました。情報の複雑さやデータソースの数が増えるほど、モデルの性能は向上しました。
• 統合の容易さ: APIとドキュメントにより、Paradigmは統合プロセスでより自立できました。
• マルチモーダル機能: 長いコンテキストウィンドウとマルチモーダル入力は、多様な医療記録データを処理するために不可欠でした。
• コンプライアンス: HIPAA準拠をサポートするOpenAIの取り組みは、機密性の高い医療提供者および患者データを扱う上で譲れない要件でした。

業務効率とデータ品質への影響

GPT-4への移行により、製品の速度と運用コストに測定可能な改善がもたらされました：

• 迅速な機能展開: Paradigmは、数ヶ月ではなく数日で新しいデータ要素を抽出できるようになり、各コンポーネントごとに個別のMLモデルを構築する必要がなくなりました。
• 検証作業の削減: モデル検証に必要な専門医師の時間が90%削減されました。Paradigmは出力品質を評価するためにデータの1/10しか必要としなくなったためです。
• 精度向上: 精度が10%向上したことで、人間の介入が減少し、医師や看護師が文書レビューよりも患者ケアにより多くの時間を割けるようになりました。
• 公平性の向上: GPT-4が非構造化データ（例：臨床医のメモ）を解釈できることにより、医療記録があまり構造化されていない恵まれない患者にも、より公平な試験アクセスが提供される可能性があります。

患者スクリーニング率の拡大

GPT-4は患者スクリーニングの規模を大幅に拡大します。通常の看護師研究コーディネーターが1日で手動でレビューできる患者は約50人ですが、Paradigmのプラットフォームは現在、1分あたり数百人の患者を評価できる可能性があります。

今後、ParadigmはGPT-4の自然言語理解を活用し、臨床チームが患者データについてAIと直接対話し、適格性を判断し、欠落情報を特定し、コードを書かずに次のステップを決定できるようにすることを目指しています。