KI-Trial-Matching mit Knowledge Graph verbessert Studie
Eine prospektive Evaluation zeigt, dass neuro-symbolische Multi-Agent-KI mit Onkologie-Knowledge-Graph das Matching klinischer Studien bei 3.804 Patienten deutlich strukturierter unterstützt.
Ein KI-System aus neuro-symbolischer Multi-Agent-Planung und Onkologie-Knowledge-Graph hat in einer prospektiven Studie das Matching für onkologische klinische Studien bei 3.804 Patientinnen und Patienten verbessert.
Was passiert ist
Die Untersuchung „Transforming oncology clinical trial matching through neuro-symbolic, multi-agent AI and an oncology-specific knowledge graph“ bewertet ein KI-gestütztes Trial-Matching-System in einem prospektiven Setting mit 3.804 Teilnehmenden. Ziel war, Kriterien aus Studienprotokollen und Patientendaten so zusammenzuführen, dass passende Studien gezielter identifiziert werden können.
Das System kombiniert neuro-symbolische Ansätze, Multi-Agent-Logik und einen onkologiespezifischen Knowledge Graph. Damit sollte die inhaltliche Konsistenz zwischen Studiendaten, medizinischen Begriffen und patientenspezifischen Kontexten systematischer abgebildet werden als mit rein regel- oder nur modellbasierten Verfahren.
Warum das wichtig ist
Onkologische Studienrekrutierung bleibt in der Praxis oft zeit- und datengetrieben. Wenn Trial-Matching zuverlässiger und schneller erfolgt, kann das die Hürde für Patientinnen und Patienten senken, Zugang zu passenden Studien zu bekommen, und gleichzeitig Studienzentren entlasten.
Die Ergebnisse sind auch für die Bewertung von „Medical AI“ relevant: Ein Knowledge-Graph-basiertes, neuro-symbolisches Vorgehen macht Logik- und Wissensstrukturen nachvollziehbarer als rein generative Systeme. Das erleichtert in der Folge Governance, Dokumentation und die regulatorische Einordnung von klinischer Entscheidungsunterstützung, sofern Schnittstellen, Datenqualität und Validierungsumfang transparent bleiben.
Quellen: PubMed