Trial Match rep un perfil clínic de pacient i busca assajos que puguin ser rellevants. Després comprova criteris d’inclusió i exclusió, genera un rànquing raonat, marca la informació que falta i prepara dossiers perquè un professional pugui revisar cada cas amb més facilitat.
El vam construir com un agent amb fases separades: parseig del pacient, normalització mèdica, cerca BM25 fielded, reranking, filtres, avaluació d’elegibilitat i scoring final. L’arquitectura fa servir LangGraph per controlar el flux i separar cada part del pipeline.
El repte principal va ser evitar falsos positius, assajos que semblen bons per vocabulari però no encaixen clínicament. També va costar mantenir candidats rellevants fins al rànquing final, perquè cada filtre o decisió pot fer perdre assajos útils. Un altre punt difícil va ser tractar la informació incompleta sense descartar pacients injustament.
Estem contents d’haver creat un sistema complet i executable. També ens sembla important haver fet que el rànquing no sigui una caixa negra, sinó que es pugui justificar amb criteris i puntuacions concretes.
El següent pas seria millorar la selecció de candidats abans de l’avaluació d’elegibilitat, perquè és on es perden alguns assajos rellevants. També seria interessant activar i comparar millor el retrieval dens, afegir monitorització contínua dels canvis als assajos i integrar dades clíniques més estructurades, com FHIR o historials mèdics electrònics.
Log in or sign up for Devpost to join the conversation.