{"id":47053,"date":"2024-07-09T09:19:19","date_gmt":"2024-07-09T15:19:19","guid":{"rendered":"https:\/\/saluddigital.com\/?p=47053"},"modified":"2025-10-18T15:30:08","modified_gmt":"2025-10-18T21:30:08","slug":"ia-generativa-potencia-el-proceso-de-seleccion-en-ensayos-clinicos-con-recuperacion-de-informacion","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-generativa-potencia-el-proceso-de-seleccion-en-ensayos-clinicos-con-recuperacion-de-informacion\/","title":{"rendered":"IA generativa potencia el proceso de selecci\u00f3n en ensayos cl\u00ednicos con recuperaci\u00f3n de informaci\u00f3n"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Un nuevo enfoque basado en IA generativa mejora la precisi\u00f3n y eficiencia en la selecci\u00f3n de participantes para ensayos cl\u00ednicos.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El proceso de selecci\u00f3n de participantes para ensayos cl\u00ednicos es fundamental y adem\u00e1s una tarea compleja que requiere la utilizaci\u00f3n de tiempo y recursos. Un estudio reciente estudio publicado en AI NEJM<\/em><\/a>, se evalu\u00f3 el uso de un sistema habilitado por GPT-4 con Recuperaci\u00f3n-Augmentada de Generaci\u00f3n (RAG) para mejorar este proceso en un ensayo cl\u00ednico sobre insuficiencia card\u00edaca sintom\u00e1tica.<\/p>

La selecci\u00f3n de participantes en ensayos cl\u00ednicos es un proceso propenso a errores y laborioso, que tradicionalmente depende de revisiones manuales exhaustivas. Con el avance en procesamiento de lenguaje natural, modelos de lenguaje como el GPT-4 ofrecen una oportunidad para optimizar este proceso. Este estudio investiga la efectividad de un sistema basado en RAG y GPT-4, denominado RECTIFIER, en mejorar la precisi\u00f3n y eficiencia en la selecci\u00f3n de participantes para el ensayo COPILOT-HF.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El ensayo COPILOT-HF, selecciona posibles participantes a trav\u00e9s de consultas a registros m\u00e9dicos electr\u00f3nicos, seguidas de revisiones manuales por personal de estudio entrenado. RECTIFIER, desarrollado para este estudio, es un sistema de preguntas y respuestas basado en notas cl\u00ednicas, potenciado por RAG y GPT-4.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Para evaluar el desempe\u00f1o de estas herramientas se utilizaron conjuntos de datos de desarrollo, validaci\u00f3n y prueba con notas cl\u00ednicas de 100 pacientes para RECTIFIER, 282 para RAG y 1894 \u00a0para GPT-4. Un experto realiz\u00f3 una revisi\u00f3n a ciegas para establecer respuestas de \u201cest\u00e1ndar de oro\u201d a 13 preguntas de criterios de inclusi\u00f3n y exclusi\u00f3n.<\/p>

RECTIFIER y el personal de estudio de COPILOT-HF mostraron una alta alineaci\u00f3n con las respuestas de los expertos, con una precisi\u00f3n entre 97.9% y 100% para RECTIFIER y entre 91.7% y 100% para el personal de estudio. Adem\u00e1s, RECTIFIER super\u00f3 al personal de estudio en la determinaci\u00f3n de insuficiencia card\u00edaca sintom\u00e1tica, con una precisi\u00f3n del 97.9% frente al 91.7%.<\/p>

En general, la sensibilidad y especificidad de RECTIFIER para determinar la elegibilidad de los pacientes fueron del 92.3% y 93.9%, respectivamente, en comparaci\u00f3n con el 90.1% y 83.6% del personal de estudio. Adem\u00e1s, RECTIFIER mostr\u00f3 ser m\u00e1s costo-efectivo, con un costo promedio por paciente de 11 centavos de d\u00f3lar utilizando una estrategia de una sola pregunta y de 2 centavos utilizando una estrategia combinada.<\/p>

De esta manera, el estudio demostr\u00f3 que soluciones basadas en modelos de lenguaje como RECTIFIER pueden mejorar significativamente el rendimiento de la selecci\u00f3n en ensayos cl\u00ednicos y reducir costos mediante la automatizaci\u00f3n del proceso. No obstante, la integraci\u00f3n de estas tecnolog\u00edas debe considerar posibles riesgos y contar con revisiones finales por cl\u00ednicos.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

AI NEJM<\/strong><\/p>

https:\/\/ai.nejm.org\/doi\/full\/10.1056\/AIoa2400181<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Un nuevo enfoque basado en IA generativa mejora la precisi\u00f3n y eficiencia en la selecci\u00f3n de participantes para ensayos cl\u00ednicos. El proceso de selecci\u00f3n de participantes para ensayos cl\u00ednicos es fundamental y adem\u00e1s una tarea compleja que requiere la utilizaci\u00f3n de tiempo y recursos. Un estudio reciente estudio publicado en AI NEJM, se evalu\u00f3 el uso de un sistema habilitado por GPT-4 con Recuperaci\u00f3n-Augmentada de Generaci\u00f3n (RAG) para mejorar este proceso en un ensayo cl\u00ednico sobre insuficiencia card\u00edaca sintom\u00e1tica. La selecci\u00f3n de participantes en ensayos cl\u00ednicos es un proceso propenso a errores y laborioso, que tradicionalmente depende de revisiones manuales exhaustivas. Con el avance en procesamiento de lenguaje natural, modelos de lenguaje como el GPT-4 ofrecen una oportunidad para optimizar este proceso. Este estudio investiga la efectividad de un sistema basado en RAG y GPT-4, denominado RECTIFIER, en mejorar la precisi\u00f3n y eficiencia en la selecci\u00f3n de participantes para el ensayo COPILOT-HF. El ensayo COPILOT-HF, selecciona posibles participantes a trav\u00e9s de consultas a registros m\u00e9dicos electr\u00f3nicos, seguidas de revisiones manuales por personal de estudio entrenado. RECTIFIER, desarrollado para este estudio, es un sistema de preguntas y respuestas basado en notas cl\u00ednicas, potenciado por RAG y GPT-4. Para evaluar el desempe\u00f1o de estas herramientas se utilizaron conjuntos de datos de desarrollo, validaci\u00f3n y prueba con notas cl\u00ednicas de 100 pacientes para RECTIFIER, 282 para RAG y 1894 \u00a0para GPT-4. Un experto realiz\u00f3 una revisi\u00f3n a ciegas para establecer respuestas de \u201cest\u00e1ndar de oro\u201d a 13 preguntas de criterios de inclusi\u00f3n y exclusi\u00f3n. RECTIFIER y el personal de estudio de COPILOT-HF mostraron una alta alineaci\u00f3n con las respuestas de los expertos, con una precisi\u00f3n entre 97.9% y 100% para RECTIFIER y entre 91.7% y 100% para el personal de estudio. Adem\u00e1s, RECTIFIER super\u00f3 al personal de estudio en la determinaci\u00f3n de insuficiencia card\u00edaca sintom\u00e1tica, con una precisi\u00f3n del 97.9% frente al 91.7%. En general, la sensibilidad y especificidad de RECTIFIER para determinar la elegibilidad de los pacientes fueron del 92.3% y 93.9%, respectivamente, en comparaci\u00f3n con el 90.1% y 83.6% del personal de estudio. Adem\u00e1s, RECTIFIER mostr\u00f3 ser m\u00e1s costo-efectivo, con un costo promedio por paciente de 11 centavos de d\u00f3lar utilizando una estrategia de una sola pregunta y de 2 centavos utilizando una estrategia combinada. De esta manera, el estudio demostr\u00f3 que soluciones basadas en modelos de lenguaje como RECTIFIER pueden mejorar significativamente el rendimiento de la selecci\u00f3n en ensayos cl\u00ednicos y reducir costos mediante la automatizaci\u00f3n del proceso. No obstante, la integraci\u00f3n de estas tecnolog\u00edas debe considerar posibles riesgos y contar con revisiones finales por cl\u00ednicos. BIBLIOGRAF\u00cdA AI NEJM https:\/\/ai.nejm.org\/doi\/full\/10.1056\/AIoa2400181<\/p>","protected":false},"author":1,"featured_media":47055,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-47053","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/47053","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=47053"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/47053\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/47055"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=47053"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=47053"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=47053"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}