Avanços na Correspondência Paciente-Teste com o Siamese-PTM

Os ensaios clínicos são importantes para testar novos tratamentos, mas geralmente enfrentam desafios, especialmente na hora de conseguir participantes suficientes. Muitos ensaios não atingem suas metas de recrutamento, o que pode resultar em atrasos ou até cancelamentos. O processo de encontrar os pacientes certos pode ser complicado, já que os ensaios têm critérios específicos de inclusão e exclusão que precisam ser atendidos.

Os dados coletados dos prontuários eletrônicos (EHRs) podem ser vastos e variados, tornando difícil filtrar manualmente e encontrar candidatos adequados. Com uma mistura de Dados Estruturados (como códigos de diagnóstico) e Dados Não Estruturados (como anotações de médicos), filtrar essas informações com base em palavras-chave simples muitas vezes não é suficiente. Essa situação pede novas ferramentas para ajudar a conectar pacientes a ensaios de forma mais eficaz.

#Desafios nos Ensaios Clínicos

Um dos principais desafios nos ensaios clínicos é o recrutamento de pacientes. Estudos mostram que um número significativo de ensaios não atinge suas metas de recrutamento, o que é crucial para o sucesso do ensaio. Se não conseguirem encontrar participantes elegíveis a tempo, o ensaio pode ser abandonado ou atrasado. Métodos tradicionais de conectar pacientes a ensaios geralmente envolvem trabalho manual, que pode ser lento e ineficiente.

Diferentes métodos têm sido explorados para enfrentar o desafio de combinar pacientes e ensaios, incluindo sistemas baseados em regras e Aprendizado de Máquina. Métodos baseados em regras podem ser trabalhosos e podem não funcionar bem com novos dados. Por outro lado, enquanto abordagens de aprendizado de máquina podem melhorar a velocidade e eficiência, ainda precisam de supervisão humana para escolher os recursos certos dos dados.

Avanços recentes em aprendizado profundo, especialmente com modelos projetados para entender grandes quantidades de texto, mostram potencial para melhorar a combinação entre pacientes e ensaios. Esses modelos conseguem aprender a partir dos dados por conta própria, permitindo que encontrem os melhores candidatos para os ensaios com menos envolvimento humano.

#O que é o Siamese-PTM?

Para enfrentar esses desafios, foi desenvolvido um sistema chamado Siamese-PTM. Esse sistema usa um tipo de arquitetura de rede neural conhecida como rede siamesa. Ele consiste em dois modelos idênticos que trabalham juntos para analisar dados dos pacientes e os critérios dos ensaios. Processando as informações em paralelo, o Siamese-PTM pode captar melhor as conexões entre os dados de saúde de um paciente e os requisitos de um ensaio.

O Siamese-PTM recebe dados EHR dos pacientes e os critérios do ensaio para prever se um paciente específico se qualifica para o ensaio. Essa configuração permite que o modelo lide com requisitos de elegibilidade complexos e variados enquanto processa eficientemente os dados dos pacientes disponíveis.

#Como Funciona?

O Siamese-PTM usa duas redes que aprendem em conjunto. Cada rede processa um tipo diferente de dado: uma para os prontuários de saúde do paciente e outra para os critérios do ensaio. Essa estrutura permite que o sistema aprenda padrões e relacionamentos entre os dois conjuntos de dados.

Usando uma técnica chamada aprendizado de características par a par, o Siamese-PTM gera representações dos EHR e critérios que são mais significativas e relevantes. Esse método permite que o modelo desempenhe melhor mesmo quando há uma quantidade limitada de dados disponíveis. Além disso, um modelo de linguagem pré-treinado chamado LLaMA 2 é usado para ajudar o sistema a entender melhor o contexto e as nuances dos dados.

O sistema avalia tanto dados estruturados (como resultados de exames) quanto dados não estruturados (como anotações de médicos) para determinar a elegibilidade. Ao considerar diferentes combinações de tipos de dados, ele pode melhorar suas previsões e aumentar as chances de combinar pacientes a ensaios apropriados.

#Ensaios Clínicos Usados na Avaliação

Neste estudo, cinco ensaios clínicos focados em distúrbios cognitivos foram selecionados para avaliação. Para cada ensaio, critérios específicos foram estabelecidos, e os registros dos pacientes do EHR foram analisados para determinar quem atendia às qualificações. Um total de 180 pacientes foi considerado, sendo 50 qualificados para os ensaios e 130 que não atenderam aos requisitos.

Os dados do EHR incluíram vários tipos de informações, como diagnósticos, medicamentos e dados demográficos. Ao avaliar diferentes combinações de critérios com dados estruturados e não estruturados, o Siamese-PTM buscou encontrar a melhor abordagem para a correspondência entre pacientes e ensaios.

#Avaliando o Desempenho do Siamese-PTM

O desempenho do Siamese-PTM foi testado usando um método chamado validação cruzada em cinco partes. Essa técnica divide os dados em várias partes, permitindo que o modelo aprenda e seja testado de forma controlada. Os resultados foram medidos usando a pontuação F1, uma métrica que equilibra precisão e recall.

Para comparar o Siamese-PTM com métodos tradicionais, um classificador baseado em regras foi criado. Esse modelo se baseou em regras elaboradas manualmente para combinar pacientes a ensaios. Os resultados do Siamese-PTM mostraram uma melhoria significativa em relação a esse método, destacando a eficácia da abordagem baseada em aprendizado profundo.

#Importância dos Tipos de Dados

O tipo de dado utilizado desempenha um papel crítico no desempenho do Siamese-PTM. Durante as avaliações, foi constatado que dados não estruturados, como relatórios de radiologia, foram particularmente valiosos para fazer previsões precisas. Em contraste, dados estruturados sozinhos não forneceram tanto contexto relevante para combinar pacientes.

Essa percepção destaca a necessidade de utilizar vários tipos de dados ao criar sistemas para combinar pacientes e ensaios. Narrativas não estruturadas e históricos detalhados dos pacientes podem fornecer o contexto necessário para que modelos de aprendizado profundo tomem decisões precisas.

#Análise Detalhada e Global

O desempenho do Siamese-PTM foi avaliado por meio de análises detalhadas e globais. A análise detalhada focou em informações individuais, enquanto a análise global olhou para a representação geral dos dados.

Os resultados indicaram que a abordagem detalhada, especialmente usando embeddings em nível de token do modelo LLaMA 2, gerou as melhores pontuações de desempenho. Isso demonstrou que capturar relacionamentos detalhados entre pontos de dados melhora significativamente o poder preditivo do sistema.

#Conclusão

Este trabalho oferece uma nova perspectiva sobre a combinação de pacientes a ensaios, demonstrando o potencial do aprendizado profundo para agilizar o processo de recrutamento. Usando o Siamese-PTM, as complexidades de combinar pacientes a ensaios podem ser abordadas de forma mais eficiente. A estrutura de codificação dupla desse modelo permite que ele aprenda as relações entre os dados dos pacientes e os critérios dos ensaios de forma eficaz.

Apesar dos resultados promissores, existem limitações nessa abordagem. Os ensaios focaram em distúrbios cognitivos específicos, o que pode restringir como o Siamese-PTM pode ser aplicado a outras áreas da medicina. Também há a necessidade de mais pesquisas para avaliar como o modelo se generaliza entre diferentes instituições e fontes de dados.

No geral, o Siamese-PTM mostra potencial para transformar a forma como os pacientes são combinados a ensaios clínicos. À medida que mais dados de saúde ficam disponíveis, sistemas como esse podem ajudar a agilizar o processo de recrutamento, beneficiando, em última análise, os pacientes e avançando a pesquisa médica.