Paradigm 整合 GPT-4 加速臨床試驗患者匹配

Paradigm 已整合 OpenAI 的 GPT-4 API，以自動化篩選患者醫療記錄以判斷臨床試驗資格。此從專門的機器學習模型轉向大型語言模型（LLM）的轉變，使資料抽取準確率提升了 10%，並大幅減少臨床醫師的手動工作負擔。

解決臨床試驗招募瓶頸

臨床試驗的招募常因評估患者醫療記錄所需的手動工作而受阻。醫療提供者往往缺乏時間去搜尋試驗、了解複雜的資格標準，並匹配患者。這通常導致選擇偏差，試驗主要由靠近試驗地點的患者填補，限制了許多人獲得拯救生命的治療的機會。

過去，Paradigm 使用在專家策劃的「黃金資料集」上訓練的領域特定機器學習與自然語言處理模型。然而，此方法效率低下，因為它需要為每一項所需資訊建立、訓練與驗證一個獨立模型。正如 Paradigm 的首席策略官 Jonathan Hirsch 所指出的：

‘我們部署了微調的最先進醫療模型，之後進一步優化。你需要花費大量時間，且必須逐案處理。每一項資訊都必須建立、訓練與驗證一個獨立模型。’

GPT-4 相較於專門機器學習的技術優勢

Paradigm 用 GPT-4 取代了其一次性機器學習模型，發現該 LLM 在複雜資料評估任務上超越了先前的專門模型，甚至在某些情況下勝過人類專家。選擇使用 OpenAI API 的決策基於四個主要因素：

• 準確性: GPT-4 在混合精確率/召回率指標上較最先進的機器學習模型提升至少 10%。隨著資訊的複雜度與資料來源數量增加，模型的表現更佳。
• 易於整合: API 與文件讓 Paradigm 在整合過程中更加自給自足。
• 多模態能力: 長上下文視窗與多模態輸入對於處理多樣化的醫療記錄資料至關重要。
• 合規性: OpenAI 對 HIPAA 合規性的支援是處理敏感醫療提供者與患者資料的不可協商條件。

對營運效率與資料品質的影響

轉向 GPT-4 帶來了產品速度與營運成本的可衡量改進：

• 快速功能部署: Paradigm 現在能在數天而非數月內抽取新資料元素，免除為每個組件建立個別機器學習模型的需求。
• 降低驗證工作量: 模型驗證所需的專業臨床醫師時間減少了 90%，因為 Paradigm 現在只需 1/10 的資料即可評估輸出品質。
• 提升準確性: 準確率提升 10% 減少了對人工介入的需求，使醫師與護理人員能更專注於患者照護而非文件審查。
• 提升公平性: GPT-4 解讀非結構化資料（如臨床醫師筆記）的能力，可能為醫療資源不足的患者帶來更公平的試驗參與機會，因為他們的醫療記錄往往較少結構化資料。

擴大患者篩選率

GPT-4 使患者篩選規模大幅提升。雖然一般的護理研究協調員每天只能手動審查約 50 名患者，Paradigm 的平台現在每分鐘可評估數百名患者。

展望未來，Paradigm 計畫利用 GPT-4 的自然語言理解，讓臨床團隊能直接與 AI 對話患者資料，以判斷資格、識別缺失資訊，並在不撰寫程式碼的情況下決定後續步驟。