EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC 4.0

Enhancing Clinical Trial Selection for Cancer Patients Using Large Language Models

Verbesserung der Auswahl klinischer Studien für Krebspatient:innen mithilfe großer Sprachmodelle

Lisa Gandy iD, Frank Tilli

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).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

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

clinical trial eligibility criteriaclinical trial matchingdecision treeslarge language modelsnatural language processing

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}
}
Kostenlos starten →