Enhancing Clinical Trial Selection for Cancer Patients Using Large Language Models
Verbesserung der Auswahl klinischer Studien für Krebspatient:innen mithilfe großer Sprachmodelle
Cancer Informatics · 2026-02 · 25
DOI: 10.1177/11769351251399641 ↗Auf einen Blick
Eine diagnostische Genauigkeitsstudie prüfte GPT-4.0 und Gemini 2.0 zur Beurteilung der Eignung für klinische Studien bei sechs Genmutationen. Beide Modelle erzielten gute F1-Scores.
Fragestellung
Wie gut beurteilen GPT-4.0 und Gemini 2.0 die Eignung von Krebspatient:innen mit spezifischen Genmutationen für klinische Studien?
Methode
Diagnostische Genauigkeitsstudie; Vergleich von GPT-4.0 und Gemini 2.0 mit ärztlich kuratierten Referenzdaten anhand von Trial-Details aus ClinicalTrials.gov und 6 Genmutationen.
Ergebnisse
Über 6 Genmutationen lagen die mittleren F1-Scores bei 64 % für GPT-4.0 und 70 % für Gemini 2.0.
Schlussfolgerung der Autor:innen
Die Arbeit zeigt die Machbarkeit, proprietäre LLMs wie GPT 4.0 und Gemini 2.0 mit begrenztem Fine-Tuning und wenig Patienteninformation für die Beurteilung der Studieneligibilität zu nutzen.
Kernaussagen
- Diagnostische Genauigkeitsstudie zu Studieneligibilität bei Krebs
- Mittlere F1-Scores: 64 % GPT-4.0, 70 % Gemini 2.0
- Bewertung über 6 Genmutationen: ALK, BRAF, EGFR, ERBB2, KIT, KRAS
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Cancer Informatics, online erschienen am 23.02.2026. Verfasst von Lisa Gandy und 1 weiteren Autor:innen. Beteiligte Einrichtung: Department of Computer Science, Kettering University, Flint, USA. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 15 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Themen: Onkologische Pflege
Abstract (Originalsprache)
Purpose
Identifying appropriate clinical trials for cancer patients with specific gene mutations remains a significant challenge, largely due to limitations in current search tools like ClinicalTrials.gov, which at times return irrelevant or misleading results. This diagnostic accuracy study investigates the efficacy of 2 large language models (LLMs), GPT-4.0 and Gemini 2.0, in evaluating the eligibility of patients with specific cancer-related gene mutations for clinical trials.
Methods
The study prompts GPT 4.0 and Gemini 2.0 with trial details from ClinicalTrials.gov and a particular cancer mutation. We then assess model performance against physician-curated benchmarks across 6 gene mutations (ALK, BRAF, EGFR, ERBB2, KIT, and KRAS).
Results
The results demonstrate good F 1-scores for both LLMs—averaging 64% for GPT-4.0 and 70% for Gemini 2.0—highlighting their potential to streamline clinical trial matching. Furthermore, decision trees provided interpretability by identifying key textual indicators that LLMs use.
Conclusion
This work demonstrates the feasibility of using proprietary LLMs such as GPT 4.0 and Gemini 2.0 “off the shelf” with both limited LLM fine-tuning and limited patient information to evaluate clinical trial eligibility.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Department of Computer Science, Kettering University, Flint, USA.
ORCID-Profile: Lisa Gandy
Zitieren
APA
Gandy, L., & Tilli, F. (2026). Enhancing Clinical Trial Selection for Cancer Patients Using Large Language Models. Cancer Informatics, 25. https://doi.org/10.1177/11769351251399641
Vancouver
Gandy L, Tilli F. Enhancing Clinical Trial Selection for Cancer Patients Using Large Language Models. Cancer Informatics. 2026;25. doi:10.1177/11769351251399641
BibTeX
@article{Gandy2026,
author = {Gandy, Lisa and Tilli, Frank},
title = {Enhancing Clinical Trial Selection for Cancer Patients Using Large Language Models},
journal = {Cancer Informatics},
year = {2026},
volume = {25},
doi = {10.1177/11769351251399641}
}
EUVIMED