用于数据驱动临床研究的无编码且保护隐私的代理框架

临床数据驱动的研究需要临床专业知识、编程技能、访问患者数据和大量文档，这为临床医生和外部研究人员制造了障碍并减慢了步伐。为了解决这个问题，我们开发了临床代理研究智能系统 (CARIS)，该系统可自动执行工作流程：研究规划、文献检索、队列构建、机构审查委员会 (IRB) 文档、Vibe 机器学习 (ML) 和报告生成，并进行人机交互优化。 CARIS 通过模型上下文协议 (MCP) 将 大语言模型 (LLM) 与模块化工具集成，无需编码即可实现自然语言驱动的研究，同时允许用户仅访问输出。我们在具有不同临床任务的三个异构数据集上评估了 CARIS，它在四次迭代内完成了规划和 IRB 文档、支持 Vibe ML 并生成了报告，在基于 LLM 的评估中实现了 96% 的完整性，在人类评估中实现了 82% 的完整性。 CARIS 展示了减少文档负担和技术障碍、加速跨公共和私有数据环境的数据驱动临床研究的潜力。