ChatGPT versnelt patiëntenselectie voor klinische studies

AI-modellen zoals ChatGPT kunnen de beoordeling van patiëntgeschiktheid drastisch verkorten, al blijven er ethische en technische uitdagingen bestaan.

Sneller beoordelen wie in aanmerking komt

In de zoektocht naar efficiëntere en snellere klinische proeven duikt artificiële intelligentie steeds vaker op als bondgenoot. Volgens recente onderzoeken blijkt dat taalmodellen zoals ChatGPT een belangrijke rol kunnen spelen in het beoordelen van de geschiktheid van patiënten voor deelname aan klinische studies. Waar deze beoordelingen vroeger dagen of zelfs weken in beslag namen, kan ChatGPT dezelfde taak in slechts enkele minuten voltooien.

Onderzoekers stelden vast dat grote taalmodellen (LLM’s) zoals ChatGPT in staat zijn om medische dossiers door te nemen en razendsnel te analyseren of een patiënt aan de inclusiecriteria voldoet. Daarmee wordt een van de grootste knelpunten in klinisch onderzoek aangepakt: de trage en foutgevoelige screeningsprocedure.

Van dagen naar minuten: de kracht van AI

In een experiment waarbij ChatGPT werd ingezet om te beoordelen of patiënten in aanmerking kwamen voor een oncologische studie, werd een tijdsbesparing tot 85% gerealiseerd. Artsen en onderzoekers wijzen op het enorme potentieel: sneller screenen betekent sneller rekruteren, wat uiteindelijk leidt tot kortere ontwikkelingscycli van geneesmiddelen.

Het model bleek vooral goed te presteren bij het interpreteren van gestructureerde data zoals laboratoriumresultaten, maar ook bij ongestructureerde tekst uit medische dossiers kon het waardevolle verbanden leggen. Hierdoor krijgt het medisch personeel een krachtig hulpmiddel in handen dat administratieve lasten verlicht en de efficiëntie verhoogt.

Beperkingen en risico's blijven bestaan

Toch zijn er nog bedenkingen. ChatGPT en vergelijkbare LLM’s zijn getraind op algemene data, wat betekent dat ze mogelijk medische nuances missen of verkeerde aannames doen. In tests was de nauwkeurigheid sterk afhankelijk van de formulering van de medische informatie en de kwaliteit van de patiëntendossiers.

Bovendien bestaat er bezorgdheid over transparantie en verantwoording. Wanneer een AI-model een patiënt afwijst voor een studie, moet het duidelijk zijn op basis waarvan die beslissing is genomen. Dat is nu vaak nog een 'black box'. Ook ethische kwesties rond bias en privacy zijn nog onvoldoende uitgeklaard.

Mens en machine: Een noodzakelijke samenwerking

Onderzoekers pleiten dan ook voor een hybride aanpak waarbij AI de eerste screenings uitvoert, maar de uiteindelijke beoordeling steeds door een arts gebeurt. Zo blijft de menselijke controle behouden, terwijl de snelheid van AI maximaal wordt benut.

De toekomst van klinisch onderzoek zou er wel eens heel anders kunnen uitzien dankzij deze technologieën. Maar wie AI als wondermiddel beschouwt, moet beseffen dat de implementatie in de medische praktijk gepaard gaat met zorgvuldige validatie, regulering en ethische afwegingen.