TrialScreen is an NIS add-on that helps doctors match suitable patients with ongoing trials.
TrialScreen helps doctors find a suitable clinical trial for a patient. For each patient, it continuously checks all the hospital’s trials and displays a discreet widget on the patient’s record showing the trials to be assessed. In a separate window, the doctor can see each criterion (met / not met / data missing / to be assessed) with a highlighted excerpt from the medical records on which the conclusion is based. The AI never excludes anyone on its own; the decision rests with the doctor.
Data: pseudonymised FNMH medical records (1,830 patients in FHIR: reports, laboratory results, medication), 79 hospital trials and their criteria from ClinicalTrials.gov. For verification, we used a list of patients who had actually enrolled in the trials.
What we’ve achieved so far: a working prototype with a web interface. Benchmark against actual enrolments: 0 out of 11 patients were incorrectly excluded.
Next steps: Fully local AI. The local model already determines 70 per cent of the criteria. By training on more data, using hybrid search (embeddings + reranker) and structured data on disease stage and lines of treatment, we aim to eliminate the need for the cloud entirely. A single GPU server at the hospital is sufficient; the data never leaves FNMH. A pilot project in oncology at FNMH using InterSystems IRIS for Health (FHIR + Vector Search). Every confirmation or correction made by the pilot becomes a training example: the system learns from real-world practice. Other departments at FNMH, such as cardiology and neurology. The principle remains the same: study criteria against patient records. Other hospitals. Thanks to FHIR and IRIS, deployment will be simpler.
- Had before
- nic
- Use of AI
- Prototyp běží na pseudonymizovaných datech FN Motol a Homolka (1 830 pacientů ve FHIR, 79 studií). Cloudový LLM (Sol) převede kritéria z ClinicalTrials.gov na jednotlivé podmínky a logický strom AND/OR; druhý průchod strom kontroluje proti originálu (chybu našel u 6 z 29 studií). Dokumentaci pacienta dělíme na úryvky ve fulltextovém indexu a ke každému kritériu hledáme relevantní úryvky. Jisté případy rozhoduje lokální model Laya, doladěný na notebooku destilací z odpovědí Solu; každé „nesplněno“ a nejisté případy ověří LLM (~70 % kritérií se vyřeší lokálně). Výsledek skládá deterministický kód, ne AI.
Návrh on-premise: hybridní vyhledávání s lokálními embeddingy, lokální reranker a větší LLM na serveru nemocnice, data neopustí nemocnici.
Kontrola chyb: AI nikdy sama nevyloučí pacienta (chybějící údaj ≠ nesplněno), každé rozhodnutí cituje ověřený úryvek a benchmark na skutečných zařazeních: 0 z 11 pacientů chybně vyloučeno. - Impact
- Menší mentální zátěž: Téměř nemožné držet všechny informaci o zrovna běžících studiích v hlavě. Náš nástroj pomáhá zrychlit celý proces a ulevit lékařům.
Čas lékařů: ruční předběžný screening trvá podle literatury 10 min až přes 2 h na každou kombinaci pacient × studie, tedy 3–9 h na jednoho zařazeného pacienta. U nás jsou výsledky předpočítané, 5–90 s na kombinaci, a lékař jen ověří zvýrazněné doklady. Odhad: o 70–90 % méně času na předběžný screening.
Víc pacientů ve studiích: ručně nikdo neprojde 445 onkologických pacientů × 79 studií. Systém kontroluje všechny kombinace průběžně a upozorní jen při změně (nová studie, nový nález). - Who benefits
- Doctors and nurses
- InterSystems technologies
- Yes — FHIR: ano. Data zpracováváme přímo jako FHIR bundly. Výstupy, tedy kritéria a rozhodnutí s citacemi, jsou strukturované a připravené k zápisu zpět.
IRIS, Vector Search ani AI agenty v hackathonové verzi nepoužíváme; pro rychlost prototypu jsme zvolili SQLite. V on-premise návrhu je InterSystems IRIS for Health přirozená volba: FHIR úložiště nemocnice, IRIS Vector Search pro hybridní vyhledávání úryvků a SQL nad výsledky, vše uvnitř nemocniční infrastruktury.
Machine translation from Czech
- Team
- Smradi — Daniel Nosek, Tomáš Ekert, Vojtěch Kodl
- Challenge
- AI Trial Matching · Prague