臨床試験マッチングのための、スケーラブルな高再現率の制約充足ベース情報検索

要旨: 臨床試験はエビデンスに基づく医療の中核ですが、ClinicalTrials.govに掲載された50万件以上の試験が利用可能であり、月間約200万人のユーザーを惹きつけているにもかかわらず、多くの試験が登録目標の達成に苦戦しています。既存の検索技術は、主に患者プロファイルと適格基準の間のキーワードおよび埋め込み類似度に基づくマッチングに依拠していますが、複雑な制約のために、再現率の低さ、適合率の低さ、解釈可能性の制限といった問題がしばしば生じます。本論文では、制約充足に基づくスケーラブルな臨床試験検索手法であるSatIRを提案し、患者を関連する試験に対して高精度かつ解釈可能にマッチングできるようにします。我々のアプローチは形式手法—充足可能性モジュロ理論（SMT）および関係代数—を用いて、臨床試験と患者記録から重要な制約を効率的に表現し、マッチングします。確立された医学オントロジーや概念モデルを活用するだけでなく、大規模言語モデル（LLM）を用いて、曖昧さ、暗黙の臨床的前提、不完全な患者記録に関する非形式的推論を、明示的で正確、制御可能で、解釈可能な形式的制約へ変換します。59人の患者と3,621件の試験を用いて評価した結果、SatIRは評価した3つすべての検索目標においてTrialGPTを上回りました。SatIRは患者あたりの「関連かつ適格な」試験の獲得を32%〜72%増やし、有用な試験の集合に対する再現率を22〜38ポイント改善し、少なくとも1つの有用な試験を持つ患者の数を増やします。検索は高速で、3,621件の試験に対して患者1人あたり2.95秒を要するだけです。これらの結果は、SatIRがスケーラブルで有効かつ解釈可能であることを示しています。