POET: 자격 요건 조정 기반 프로토콜 최적화

POET: Protocol Optimization via Eligibility Tuning

자격 요건(EC)은 임상 시험 설계에 필수적이지만, 이를 작성하는 것은 임상의에게 시간 소모적이고 인지적 부담이 큰 작업입니다. 기존의 자동화된 접근 방식은 종종 두 가지 극단으로 나뉘는데, 하나는 특정 기준을 생성하기 위해 미리 정의된 개체와 같이 매우 구조화된 입력이 필요하거나, 다른 하나는 최소한의 입력(예: 시험 설명)으로부터 전체 자격 요건을 생성하는 엔드 투 엔드 시스템에 의존하여 실제 유용성이 제한됩니다. 본 연구에서는 해석 가능한 의미론적 축(예: 인구 통계, 실험실 매개변수, 행동 요인)을 도입하여 자격 요건 생성을 안내하는 프레임워크를 제안합니다. 대규모 언어 모델을 사용하여 파생된 이러한 축은 특이성과 사용성 사이의 균형을 제공하여 임상의가 정확한 개체를 지정하지 않고도 생성을 안내할 수 있도록 합니다. 또한, 생성된 기준을 임상적으로 의미 있는 측면에서 평가하는 재사용 가능한 척도 기반 평가 프레임워크를 제시합니다. 우리의 결과는 안내 생성 접근 방식이 자동, 척도 기반 및 임상의 평가 모두에서 안내되지 않은 생성 방식보다 일관되게 우수한 성능을 보이며, AI 기반 임상 시험 설계에 대한 실용적이고 해석 가능한 솔루션을 제공한다는 것을 보여줍니다.

Eligibility criteria (EC) are essential for clinical trial design, yet drafting them remains a time-intensive and cognitively demanding task for clinicians. Existing automated approaches often fall at two extremes either requiring highly structured inputs, such as predefined entities to generate specific criteria, or relying on end-to-end systems that produce full eligibility criteria from minimal input such as trial descriptions limiting their practical utility. In this work, we propose a guided generation framework that introduces interpretable semantic axes, such as Demographics, Laboratory Parameters, and Behavioral Factors, to steer EC generation. These axes, derived using large language models, offer a middle ground between specificity and usability, enabling clinicians to guide generation without specifying exact entities. In addition, we present a reusable rubric-based evaluation framework that assesses generated criteria along clinically meaningful dimensions. Our results show that our guided generation approach consistently outperforms unguided generation in both automatic, rubric-based and clinician evaluations, offering a practical and interpretable solution for AI-assisted trial design.