Paradigm 将 GPT-4 集成以加速临床试验患者匹配

Paradigm 已集成 OpenAI 的 GPT-4 API，以自动筛选患者的医疗记录以确定临床试验资格。此举从专用机器学习模型转向大型语言模型（LLM），使数据提取准确率提升了 10%，并显著降低了临床医生的手动工作负担。

解决临床试验入组瓶颈

临床试验入组常常受到评估患者医疗记录所需人工工作的阻碍。医疗提供者往往没有时间去寻找试验、理解复杂的资格标准并匹配患者。这通常导致选择偏差，即试验主要由靠近试验地点的患者填补，限制了许多人获得拯救生命的治疗的机会。

此前，Paradigm 使用基于专家策划的“黄金数据集”训练的领域特定机器学习和自然语言处理模型。然而，这种方法效率低下，因为它需要为每一条所需信息构建、训练和验证单独的模型。正如 Paradigm 的首席战略官 Jonathan Hirsch 所指出的：

‘我们部署了经过微调的最先进医疗模型，然后进一步优化。你要花费大量时间，并且必须逐个用例处理所有工作。每一条信息都必须构建、训练并验证单独的模型。’

GPT-4 相较于专用机器学习的技术优势

Paradigm 用 GPT-4 替换了其一次性机器学习模型，发现该大型语言模型在复杂数据评估任务上超越了之前的专用模型，甚至在某些情况下超过了人类专家。决定使用 OpenAI 的 API 基于四个主要因素：

• 准确性： 与最先进的机器学习模型相比，GPT-4 在综合精确率/召回率指标上提升了至少 10%。随着信息复杂度和数据源数量的增加，模型表现更佳。
• 易于集成： API 和文档使 Paradigm 在集成过程中更加自给自足。
• 多模态能力： 长上下文窗口和多模态输入对于处理多样化的医疗记录数据至关重要。
• 合规性： OpenAI 对 HIPAA 合规的支持是处理敏感医疗提供者和患者数据的不可协商的要求。

对运营效率和数据质量的影响

转向 GPT-4 带来了产品速度和运营成本的可衡量改进：

• 快速功能部署： Paradigm 现在可以在几天内提取新数据元素，而不是数月，从而无需为每个组件构建单独的机器学习模型。
• 降低验证工作量： 由于 Paradigm 现在只需 1/10 的数据来评估输出质量，模型验证所需的专家临床医生时间减少了 90%。
• 提升准确性： 准确率提升 10% 减少了对人工干预的需求，使医生和护士能够更多地专注于患者护理，而不是文档审查。
• 改善公平性： GPT-4 解释非结构化数据（如临床医生笔记）的能力可能为服务不足的患者带来更公平的试验机会，因为这些患者的医疗记录往往包含较少的结构化数据。

扩大患者筛选率

GPT-4 实现了患者筛选规模的巨大提升。虽然典型的护士研究协调员每天只能手动审查约 50 名患者，但 Paradigm 的平台现在每分钟可能评估数百名患者。

展望未来，Paradigm 打算利用 GPT-4 的自然语言理解，使临床团队能够直接与 AI 对话，了解患者数据以确定资格、识别缺失信息并确定后续步骤，而无需编写代码。