Три разные задачи, которые нельзя смешивать
Первая задача — поиск: найти исследования по заболеванию, стадии, молекулярной мишени и региону. Вторая — предварительное сопоставление: объяснить, какие пункты протокола потенциально подходят, не подходят или требуют уточнения. Третья — скрининг: официально проверить критерии на основании медицинских документов и решения исследовательской команды.
AI-агент может быть полезен на первых двух этапах. Третий остаётся у уполномоченного специалиста и центра исследования. Даже точное совпадение с открытым описанием протокола не означает наличия места, окончательной пригодности или пользы для конкретного пациента.
- поиск создаёт список потенциально релевантных исследований;
- сопоставление показывает основания и пробелы в данных;
- скрининг подтверждает или отклоняет исследовательская команда;
- включение возможно только после предусмотренных процедур и информированного согласия.
Какие данные агенту действительно нужны
Для первичной навигации обычно достаточно структурированного минимума: тип заболевания, стадия, ключевые биомаркеры, линия и даты лечения, страна или доступная география. Собирать полную историю болезни «на всякий случай» не следует. Каждый новый элемент должен быть обоснован конкретным критерием поиска.
В публичной версии проекта используются только синтетические сценарии. Реальные медицинские документы не должны отправляться через общую электронную почту или форму предложения агента. Защищённый маршрут для специальных категорий данных требует отдельного проектирования и правовой проверки.
Как выглядит проверяемый результат
Полезный результат — не длинный список ссылок. Для каждого исследования нужны регистрационный номер, актуальный статус, страна и центр, фрагмент критерия, дата проверки и список вопросов координатору. Неопределённость должна быть видна: «подходит», «не подходит» и «нужно уточнить» — разные состояния.
TrialGPT, разработанный NLM и NCI, показывает важный паттерн: поиск, объяснимое сопоставление и ранжирование формируют материал для экспертного просмотра. Исследовательские публикации также подчёркивают перспективность AI для trial matching и pre-screening, но не превращают алгоритмический результат в решение о включении.
Что измерять в пилоте
До внедрения следует определить эталонную выборку и стоп-критерии. Практичные метрики — полнота обнаружения потенциальных исследований, доля ошибочно исключённых вариантов, корректность цитирования критериев, время координатора, доля случаев с нехваткой данных и качество передачи специалисту.