TWIN-GPT：利用大型语言模型为临床试验创建数字孪生

《ACM Transactions on Multimedia Computing, Communications, and Applications》：TWIN-GPT: Digital Twins for Clinical Trials via Large Language Model

虚拟临床试验通过模拟真实场景提升患者安全并加速药物研发，但现有方法因数据不足难以准确预测结果。本文提出基于大型语言模型的数字孪生方法TWIN-GPT，通过跨数据集关联生成个性化医疗信息，显著提高临床试验预测精度，并生成高保真试验数据，为医疗应用提供新证据。

　　

摘要

临床试验对于医学研究和新治疗方法的开发至关重要。然而，临床试验通常涉及数千名参与者，完成过程可能需要数年时间，并且在整个过程中存在较高的失败概率。最近，人们对虚拟临床试验产生了浓厚的兴趣，虚拟临床试验可以模拟现实世界场景，有望显著提高患者安全性、加快研发进度、降低成本，并为医疗领域的科学知识做出贡献。现有研究大多集中在利用电子健康记录（EHRs）来支持临床试验结果的预测上。然而，由于训练所用到的临床试验结果数据有限，现有方法往往难以做出准确的预测。一些研究尝试生成电子健康记录以辅助模型开发，但在针对个别患者特征进行个性化处理方面仍存在不足。最近，大型语言模型的出现为这一领域带来了新的可能性，因为这些模型内置了丰富的临床知识，对于解决医疗问题非常有益。在本文中，我们提出了一种基于大型语言模型的数字孪生创建方法，称为TWIN-GPT。即使数据有限，TWIN-GPT也能建立医疗信息之间的跨数据集关联，为不同患者生成独特的个性化数字孪生，从而保留患者的个体特征。全面实验表明，使用TWIN-GPT创建的数字孪生可以提高临床试验结果的预测准确性，超越了以往的各种预测方法。此外，我们还证明了TWIN-GPT能够生成高度真实的试验数据，这些数据能够准确反映特定患者的状况，从而在数据稀缺的情况下帮助实现更准确的预测结果。此外，我们的研究为数字孪生在医疗领域的应用提供了实际证据，凸显了其潜在的重要性。