克利夫兰诊所与Dyania Health的新研究展示了经过医学训练的大语言模型系统如何准确高效地筛查电子病历，识别符合罕见病临床试验条件的患者。这项发表在《Journal of Cardiac Failure》上的研究提供了真实世界证据，证明人工智能辅助的病历审查能够提高试验入组的效率、准确性和公平性。
该研究评估了一套AI系统的表现——由Dyania Health开发并在克利夫兰诊所部署——其任务是预筛选参与 DepleTTR-CM 试验的患者。DepleTTR-CM 是一项针对转甲状腺素蛋白淀粉样变性心肌病（ATTR-CM）的III期临床试验，ATTR-CM 是一种多见于老年人的心力衰竭类型。
在一周内，该系统审查了 1476 名患者，并识别出 46 名潜在匹配者。研究发现：
- 通过AI系统及医生复核流程确认的30名匹配患者中，有29名是传统招募方式未能识别的。
- 在涉及9个领域的7700个试验特定问题中，AI系统达到了96.2%的准确率。
- 在试验因达到中心招募目标而停止前，有7名患者通过AI辅助筛查最终入组，而传统筛查在90天内入组了10名。
- AI对各项标准结论的论证被医生审阅者评为100%准确且可解释。
- 系统正确排除了200名不合格患者中的198名，实现了99%的阴性预测值。
重要的是，AI驱动过程带来了更多样化的患者群体。在AI识别的30名患者中，36.6%为黑人，而常规筛查识别的患者中这一比例仅为7.1%。此外，AI识别患者中只有60%此前曾与心力衰竭专家有联系，而传统方法识别的患者中这一比例为92.8%，这表明AI可以扩大试验在传统入组不足人群中的可及性。
克利夫兰诊所心力衰竭人群健康主任、首席研究员Trejeeve Martyn 医学博士表示：“这项研究表明，经过医学训练的AI能够大规模支持病历审查，改变传统上劳动密集型的流程。通过快速识别大型医疗系统中的高质量试验候选人，我们可以提高入组效率，并增加来自不同背景和更广泛地理区域的患者的入组率。我们对这项技术可以在整个医疗系统中使用感到乐观，我们正在研究该平台如何加速观察性研究、疾病注册以及已获批但未充分利用的疗法的循证实施。”
该系统结合了结构化电子病历数据与自然语言处理，来分析复杂的临床记录和实验室报告。它还提供了每项纳入或排除决定的详细、可审计的理由，使研究协调员能够自信地验证资格。
Dyania Health首席执行官兼联合创始人Eirini Schlosser 表示：“临床研究常常受限于我们如何高效、公平地将患者与试验匹配。这项研究提供了令人信服的证据，表明AI可以帮助解决这一瓶颈——不仅通过提高工作流程效率，还通过帮助发现那些可能被遗漏的合格患者，尤其是来自历史上代表性不足群体的患者。”
AI模型 Synapsis AI 被嵌入克利夫兰诊所的电子病历系统，并筛查了位于俄亥俄州、佛罗里达州和内华达州的25家医院和250个门诊中心的数据。
临床团队的验证仍然是确保安全性和准确性的关键组成部分。AI在真实的临床试验环境中的实际部署及其性能指标和多样性发现表明，有机会更广泛地推广AI工具，用于临床试验匹配、人群健康注册和实时质量报告。
出版详情：利用人工智能系统自动进行病历审查以评估转甲状腺素蛋白淀粉样变性心肌病试验资格，发表于《Journal of Cardiac Failure》（2026年）。
期刊信息：《Journal of Cardiac Failure》
关键医学概念：自然语言处理，电子健康记录
临床分类：心脏病学
提供者：克利夫兰诊所
【全文结束】