【技术实现步骤摘要】
本专利技术涉及医疗，特别是涉及临床试验受试者招募方法及招募系统。
技术介绍
1、临床试验包括第i期到第iv期阶段的试验。临床试验中尤其是前瞻性研究，根据试验研究方案的要求，预先将受试者分配，使其接收一种或多种医疗手段干预，用以评价医疗干预对病患健康结局的影响。受试者招募指根据临床试验的入选标准和排除标准招募复核条件的受试者参加临床试验。受试者是临床试验的重要组成部分，他们是承担临床研究的载体，在承受试验风险的同时为人类医学进步做出重要贡献。因此，如何筛选合格的受试者在临床试验中是至关重要的环节。能否招募到足够的受试者，直接影响到临床试验能否顺利完成，进而影响试验质量的高低。如果不能顺利招募到足够数量的受试者，将会导致临床试验暂停甚至终止。
2、目前受试者招募技术中，受试者在招募平台中得知其自身相关疾病的临床研究项目后，主动将自己的病历、检查检验报告等资料发送给招募平台。招募平台中的招募人员根据自己的经验，将受试者标注一些简单的标签，再结合管理项目的入选排除标准人工筛查匹配。此方法的缺点如下：1、潜在的受试者通常较难接触到招募平台，获取符合自身疾病的临床试验信息；2、使用人工筛查匹配的方式容易出错，并且费时费力；3、受试者数据库中信息量大时，历史信息的利用率非常低。因此导致有些项目由于缺乏高效准确的筛查匹配方法，而无法将符合项目入选排除条件的合格受试者匹配到。
3、此外，有调查表明，招募受试者的最佳方式是通过患者的医生、医护人员推荐，患者接受度高、成功率高，也符合知情同意与隐私保护的原则。但由于院内各系统都
技术实现思路
1、基于此，有必要针对现有招募方式招募效率、筛选准确性和可靠性低的问题，提供一种临床试验受试者招募方法及招募系统。
2、本专利技术采用以下技术方案实现：一种临床试验受试者招募方法，包括以下步骤：
3、步骤s1、通过分类配置器对临床试验方案文件进行处理获得入选排除标准数据，并将所述入选排除标准数据分类为客观评价标准、主观评价标准、关键评价标准和非关键评价标准；
4、步骤s2、将主观评价标准、非关键评价标准通过大语言模型进行提取，得到招募特征；
5、步骤s3、将收集的患者资料进行文字内容提取，并对文字内容进行结构化处理得到文本数据；
6、步骤s4、对文本数据通过大语言模型进行提取，得到客观评价标准所需数据、主观评价标准所需数据、关键评价标准所需数据和非关键评价标准所需数据；
7、步骤s5、将主观评价标准所需数据、非关键评价标准所需数据通过大语言模型进行提取，得到患者特征；
8、步骤s6、将客观评价标准所需数据、关键评价标准所需数据和患者特征送入招募池，机器招募员根据客观评价标准、关键评价标准和招募特征对上述数据进行筛选匹配；
9、步骤s7、对招募池中的全部患者进行筛选匹配，将筛选匹配符合要求的患者推送给研究人员做最终判断。
10、作为优选实例，在步骤s1中，所述分类配置器将客观评价标准转换为所需的患者数据及规则引擎的json格式规则。
11、作为优选实例，在步骤s2中，将主观评价标准、非关键评价标准通过大语言模型进行提取，包括以下步骤：使用大语言模型vectorembedding将主观评价标准、非关键评价标准生成高维度的向量数据，包含1536维的浮点数向量空间，所述高维度的向量数据代表着主观评价标准、非关键评价标准中的不同维度的招募特征。
12、作为优选实例，所述向量数据存储在开启了pgvector插件的postgresql数据库中。
13、作为优选实例，在步骤s3中，所述患者的资料包括病历、检查检验报告和申请表。
14、作为优选实例，在步骤s6中，客观评价标准所需数据和关键评价标准所需数据使用规则引擎完成筛选匹配。
15、作为优选实例，在步骤s6中，使用点积相似度比较患者特征与招募特征来进行筛选匹配。
16、作为优选实例，当有新的临床试验项目时，将对应的临床试验方案文件传入分类配置器，重复进行步骤s1-s7。
17、作为优选实例，所述大语言模型为调优过的模型，其训练包括以下步骤：
18、步骤s81、收集临床研究方案及相关文献的文本数据，根据客观评价标准、主观评价标准、关键标准、非关键标准，对文本数据进行标注；
19、步骤s82、按照70％、30％的比例，从标注的文本数据中划分训练集和测试集；
20、步骤s83、将训练集的文本数据转换为大语言模型所需的token表示形式，进行预训练；
21、步骤s84、预训练完成后，使用测试集对预训练调优结果进行验证，重复训练和验证过程，直到测试结果符合要求完成大语言模型调优。
22、本专利技术还提供了一种临床试验受试者招募系统，其应用了如上述的临床试验受试者招募方法，所述临床试验受试者招募系统包括：
23、分类配置器，用于对临床试验方案文件进行处理，得到客观评价标准、主观评价标准、关键评价标准和非关键评价标准；
24、数据识别与结构化模块，用于将患者资料进行结构化后存储；
25、特征提取模块，用于根据主观评价标准、非关键评价标准获得招募特征，和根据主观评价标准所需数据、非关键评价标准所需数据获得患者特征；
26、招募机器人，用于筛选出符合入选、排除标准的患者数据。
27、本专利技术的有益效果在于：
28、1、本专利技术能够大幅提高临床试验受试者招募效率，缩短项目周期。传统的招募过程通常依赖于人工筛选和联系潜在受试者，效率较低且耗时，而该系统通过利用人工智能技术，使用机器招募员筛选匹配患者，由研究人员完成最终判断，从而减少了人工操作的工作量和时间消耗，尤其在开展临床试验项目较多的中心，例如肿瘤医院，接受研究者医生治疗的患者可以全部纳入招募池快速完成开展的全部临床试验项目筛选匹配。
29、2、本专利技术能够提高筛选的准确性和可靠性。该系统利用人工智能技术进行数据识别与结构化，能够准确地从上传的患者资料中提取和识别各项重要数据，包括病历、检验报告、检查报告等，通过机器招募员的自动匹配和筛选，系统可以根据预定义的入选排除标准快速准确地找到符合条件的受试者，减少人工筛选过程中的错误和漏检。
30、3、本专利技术能够优化资源利用和成本控制。该系统的自动化和智能化特征，使得招募过程更加高效和精确，这有助于优化资源利用，减少不必要的人力和时间成本；通过提高招募效率和准确性，系统可以更好地利用有限的资源，避免了招募过程中的重复劳动和资源浪费，从而控制了成本；机器可代替大量重复劳动，研究人员可聚焦临床试验中核心工作。
31、4、本专利技术提高了临床试验的数字化和智能化水平，与未来医疗发展方向一致，且能够积累高价值本文档来自技高网...
【技术保护点】
1.一种临床试验受试者招募方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的临床试验受试者招募方法，其特征在于，在步骤S1中，所述分类配置器将客观评价标准转换为所需的患者数据及规则引擎的JSON格式规则。
3.根据权利要求1所述的临床试验受试者招募方法，其特征在于，在步骤S2中，将主观评价标准、非关键评价标准通过大语言模型进行提取，包括以下步骤：使用大语言模型VectorEmbedding将主观评价标准、非关键评价标准生成高维度的向量数据，包含1536维的浮点数向量空间，所述高维度的向量数据代表着主观评价标准、非关键评价标准中的不同维度的招募特征。
4.根据权利要求3所述的临床试验受试者招募方法，其特征在于，所述向量数据存储在开启了PGVECTOR插件的PostgreSQL数据库中。
5.根据权利要求1所述的临床试验受试者招募方法，其特征在于，在步骤S3中，所述患者资料包括病历、检查检验报告和申请表。
6.根据权利要求1所述的临床试验受试者招募方法，其特征在于，在步骤S6中，客观评价标准所需数据和关键评价标准所需
7.根据权利要求6所述的临床试验受试者招募方法，其特征在于，在步骤S6中，使用点积相似度比较患者特征与招募特征来进行筛选匹配。
8.根据权利要求1所述的临床试验受试者招募方法，其特征在于，当有新的临床试验项目时，将对应的临床试验方案文件传入分类配置器，重复进行步骤S1-S7。
9.根据权利要求1所述的临床试验受试者招募方法，其特征在于，所述大语言模型为调优过的模型，其训练包括以下步骤：
10.临床试验受试者招募系统，其应用了如权利要求1至9中任意一项所述的临床试验受试者招募方法，其特征在于，所述临床试验受试者招募系统包括：
...【技术特征摘要】
1.一种临床试验受试者招募方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的临床试验受试者招募方法，其特征在于，在步骤s1中，所述分类配置器将客观评价标准转换为所需的患者数据及规则引擎的json格式规则。
3.根据权利要求1所述的临床试验受试者招募方法，其特征在于，在步骤s2中，将主观评价标准、非关键评价标准通过大语言模型进行提取，包括以下步骤：使用大语言模型vectorembedding将主观评价标准、非关键评价标准生成高维度的向量数据，包含1536维的浮点数向量空间，所述高维度的向量数据代表着主观评价标准、非关键评价标准中的不同维度的招募特征。
4.根据权利要求3所述的临床试验受试者招募方法，其特征在于，所述向量数据存储在开启了pgvector插件的postgresql数据库中。
5.根据权利要求1所述的临床试验受试者招募方法，其特...
【专利技术属性】
技术研发人员：张洪亮，
申请(专利权)人：北京遥领医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。