Redeneerengine voor geschiktheid van klinische trials

Een patiëntmatchingmodel leest een aantekening als tekst, waardoor het een centrale veneuze katheter verwart met een hartkatheterisatie en een patiënt uitsluit die geschikt was. TrialProof laat een LLM alleen de aantekening lezen, lost betekenis op via een SNOMED-CT-kennisgraaf, en berekent ELIGIBLE, EXCLUDED of NEEDS-REVIEW in deterministische code die een LLM niet kan overschrijven. Elk oordeel draagt een redeneerspoor dat een toezichthouder kan indienen.

100%

Beslisnauwkeurigheid op de gelabelde gouden set

vs 53.8% voor de eerlijke lexicale baseline (13 gevallen)

0 vs 3

Verloren geschikte patiënten

TrialProof verliest 0 waar de baseline 3 verliest

100% vs 0%

Dekking van het redeneerspoor

Elk oordeel getraceerd; byte-identiek bij herhaling

Dit is een uitvoerbare demo op een vaste, gelabelde gouden set. Alle patiënten, aantekeningen en protocollen zijn synthetisch, de ontologie is een samengestelde SNOMED-CT-subgraaf van 24 concepten, en connectoren zoals live FHIR-inname zijn gesimuleerd.

De geschikte patiënt die uw matcher weggooit

De faalmodus achter onterechte uitsluitingen bij AI-patiëntmatching.

AI voor patiëntmatching leest klinische aantekeningen als tekst, waardoor het woorden verwart die op elkaar lijken maar medisch iets anders betekenen. De canonieke faalmodus is concreet. Een fase-III-anticoagulansstudie sluit hartkatheterisatie uit; de aantekening van een patiënt vermeldt plaatsing van een centrale veneuze katheter. Een gelijkenismatcher ziet twee cardiovasculaire katheterprocedures, scoort ze hoog, en sluit een patiënt uit die geschikt was. Gepubliceerde evaluaties bevestigen dat AI-modellen precies deze katheterisatiefout maken (Fierce Biotech, 2025).

Dezelfde klasse van fouten is breder dan één procedure. Het dekt negatie, waarbij geen aanwijzing voor diabetes wordt gematcht als diabetes. Het dekt familieanamnese die aan de patiënt wordt toegeschreven. En het dekt uitzonderingsclausules, zoals tenzij afgerond meer dan 12 maanden vóór randomisatie, die een gelijkenisscore helemaal niet kan representeren. Een beter basismodel neemt geen van deze weg, omdat het geen taalproblemen zijn. Het zijn logicaproblemen.

De kosten zijn niet academisch. Vertraging van de inclusie loopt op tot 800,000 dollars per dag aan gemiste receptverkopen voor elke dag dat een trial uitloopt (Tufts CSDD Impact Report, 2024), oplopend tot 840,000 dollars per dag in de oncologie en 1.4 million dollars per dag in cardiovasculaire trials (Tufts CSDD). 80% van de trials haalt de inclusietijdlijnen niet (industrieconsensus, 2025), een gemiddelde screen failure kost 1,200 dollars (Antidote.me, 2025), en trialprocedures zijn sinds 2005 139% complexer geworden (IQVIA, 2026). Tegen cijfers als deze is een geschikte patiënt die ten onrechte wordt uitgescreend geen afrondingsfout.

Hoe TrialProof werkt

De agents adviseren over extractie. Deterministische code beslist over geschiktheid. Dit is neuro-symbolisch: een LLM leest het proza, symbolische logica oordeelt over de patiënt.

Elke patiënt wordt tegen elk protocol gedraaid in vijf stadia, live gestreamd naar de interface. De belangrijke grens is dat slechts één stadium probabilistisch is, en dat het nooit iets beslist.

1. Dossier lezen

Laadt het FHIR-vormige synthetische patiëntendossier, de vrije-tekstaantekening, de trialcriteria en de randomisatiedatum.

2. Feiten extraheren (de enige probabilistische stap, uitsluitend adviserend)

Een van provider verwisselbare LLM stelt kandidaatfeiten voor, elk met een letterlijk aantekeningspan, een kandidaat-SCTID uit een gesloten vocabularium, en een betrouwbaarheid. Het adviseert; het beslist niet. Gecodeerde observaties die als vertrouwde FHIR binnenkomen, gaan nooit door de extractor. Wanneer de offline lexicon-fallback wordt gebruikt, zegt de live console dat, in plaats van het te verbergen.

3. Feiten verifiëren (adversariële verifier)

Elk voorgesteld feit wordt tegen de letterlijke aantekening uitgedaagd met drie controles: span-present (die een gehallucineerde entiteit vangt), negatie, en subject (familieanamnese versus patiënt). Afgewezen feiten worden gemarkeerd als REJECTED met de controle die afging en de reden, en bereiken nooit de beslissing.

4. Bewijs samenstellen

De exacte geverifieerde feitenset die de logica-engine binnenkomt, gemarkeerd als coded-FHIR versus vrije tekst.

5. Oordelen berekenen (deterministische Python, buiten het agentframework)

Een deontische-logica-engine evalueert verbod-, temporele-uitzondering-, controlled-unless- en vereistecriteria via SNOMED is-a-subsumptie en datumwiskunde, en geeft ELIGIBLE, EXCLUDED of NEEDS-REVIEW terug met een volledig spoor. Een LLM kan deze poort niet overschrijven.

De deterministische stadia draaien daadwerkelijk in tientallen microseconden per criterium, terwijl het model dat de aantekening leest seconden nodig heeft. Dat contrast is het punt, geen claim van onmiddellijke screening: het trage, feilbare deel is beperkt tot het lezen, en de beslissing die het voedt is snel, goedkoop en reproduceerbaar.

De vergelijking in de demo is een eerlijke lexicale baseline, en dat is bewust zo. Het is entiteitsniveau TF-IDF-cosinusgelijkenis, een echte vectorgelijkenismethode, met een genereuze opzet met schone entiteit-naar-concept-resolutie, en de beslisdrempel is in eigen voordeel gekruisvalideerd (t = 0.6932). Het roept de LLM nooit aan. De enige handicaps zijn de ontbrekende hiërarchie-, negatie-, temporele en onthoudingslogica, en dat is de hele stelling. Het is niet afgesteld om te falen.

De redenering, van begin tot eind uitgewerkt

Synthetische patiënt P-074 en het cohort, tegen de synthetische protocollen ONC-204 en ANTI-3. Elk beeld hieronder is een screenshot van de draaiende TrialProof-app.

Een centrale lijn is geen hartkatheterisatie, en alleen een hiërarchie weet dat

De ICU-aantekening van P-074 vermeldt central venous catheter placement for IV medication access. Tegen het criterium EXCL-CARDCATH van ANTI-3 (geen eerdere hartkatheterisatie) ziet een gelijkenismatcher twee cardiovasculaire katheterprocedures. TrialProof vraagt in plaats daarvan de ontologie: is Central venous catheterization (392230005) een is-a-afstammeling van Cardiac catheterization (41976001)? Dat is het niet. De twee concepten zitten op verschillende takken van de SNOMED-CT-hiërarchie, dus er bestaat geen subsumptiepad, en het oordeel is ELIGIBLE met een drie-stappenspoor dat beide SCTID's noemt. Beide codes zijn echt en controleerbaar in elke publieke SNOMED-browser. De eerlijke lexicale baseline geeft hier ook ELIGIBLE terug, maar bij een kale gelijkenis van 0.437 zonder redeneerspoor en zonder iets dat een toezichthouder zou kunnen indienen.

TrialProof-redeneerspoor voor EXCL-CARDCATH dat toont dat Central venous catheterization 392230005 is-NOT-a Cardiac catheterization 41976001 op een andere tak van de hiërarchie, dus het oordeel is ELIGIBLE, naast de kale gelijkenis van 0.437 van de baseline zonder herkomst. — Het hartkatheterisatie-spoor: een is-a-controle op echte SCTID's beslist ELIGIBLE, waar de baseline een kale gelijkenis van 0.437 en geen herkomst biedt.

De ontologie die de engine daadwerkelijk bevraagt

De engine bevraagt niet heel SNOMED-CT. Hij loopt een samengestelde subgraaf van 24 concepten met 22 is-a-relaties. Concepten met een echte SCTID zijn doorgetrokken getekend; de 9 voor de demo samengestelde zonder publieke SCTID hebben het voorvoegsel CUR- en zijn gestippeld getekend in plaats van als echte codes voorgesteld. Geverifieerde feiten zijn groen, criteriumconcepten zijn omlijnd, en de belopen is-a-paden zijn vet. De twee katheterisaties liggen zichtbaar op verschillende takken, precies daarom kan een string- of vectorgelijkenis niet in de plaats van subsumptie staan.

De samengestelde SNOMED-CT-subgraaf van 24 concepten met 22 is-a-relaties, die Cardiac catheterization en Central venous catheterization op verschillende takken toont, echte SCTID's doorgetrokken getekend en voor de demo samengestelde CUR-concepten gestippeld getekend. — De SNOMED-CT-subgraaf, 24 concepten en 22 is-a-relaties, met de twee katheterisaties op aparte takken.

De geschikte patiënt die de baseline weggooit

Dezelfde aantekening zegt No evidence of diabetes. Tegen EXCL-DM van ONC-204 (geen diagnose van diabetes mellitus) matcht de vectorbaseline het token diabetes bij gelijkenis 1.0 en geeft EXCLUDED terug, omdat hij geen model van negatie heeft. De verifier van TrialProof stript de ontkende vermelding voordat die de beslissing kan bereiken, dus het oordeel is ELIGIBLE. Dit is de geschikte patiënt die een gelijkenismatcher weggooit, en op de gouden set is het een van de drie die de baseline verliest.

Het EXCL-DM-redeneerspoor voor een aantekening die No evidence of diabetes zegt: de baseline matcht diabetes bij gelijkenis 1.0 en geeft EXCLUDED terug, terwijl TrialProof de ontkende vermelding stript en ELIGIBLE teruggeeft. — Negatie: de baseline sluit uit bij gelijkenis 1.0; TrialProof stript de ontkende vermelding en houdt de patiënt geschikt.

Een verifier die de extractor uitdaagt

Voor P-106 stelt de extractor een carboplatin-feit voor dat geen ondersteunend span in de aantekening heeft, een geplante hallucinatie. De adversariële verifier voert span-present, negatie en subject uit op elk voorgesteld feit; het carboplatin-feit faalt op span-present (span not found in note) en wordt gemarkeerd als REJECTED, zodat het nooit de beslissing bereikt. Over de gouden set wees de verifier 7 feiteninstanties af (3 onderscheiden foute feiten: een ontkende diabetesvermelding, een toeschrijving van borstkanker via familieanamnese, en deze gehallucineerde carboplatin) op 4 van de 13 gescoorde case-runs. De agents adviseren over extractie; deterministische code beslist over geschiktheid.

Het verify-facts-paneel voor P-106 dat een carboplatin-feit toont gemarkeerd als REJECTED, gefaalde controle span-present, reden span not found in note, zodat de gehallucineerde entiteit nooit de geschiktheidsbeslissing bereikt. — De verifier wijst een gehallucineerde carboplatin af op span-present voordat die een beslissing kan bereiken.

Een uitzondering die een gelijkenisscore niet kan representeren

P-101 voltooide adjuvante carboplatin en pemetrexed, laatst geïnfundeerd 03/2025. EXCL-PLAT van ONC-204 verbiedt eerdere platinumtherapie tenzij gegeven als adjuvant of neoadjuvant en afgerond meer dan 12 maanden vóór randomisatie (2026-04-15). De engine bevestigt dat Carboplatin (386905003) is-a Platinum-containing antineoplastic agent, berekent het interval op 13 maanden, voldoet aan de uitzondering, en geeft ELIGIBLE terug met een vier-stappenspoor. Wanneer dezelfde clausule wordt getest op een patiënt met palliatieve intentie, geldt de uitzondering niet en slaat het oordeel om naar EXCLUDED. Zelfde criterium, tegengestelde oordelen, beide correct, omdat het de logica-engine is en geen drempel.

Het EXCL-PLAT-redeneerspoor voor P-101 dat toont dat Carboplatin 386905003 is-a Platinum-containing antineoplastic agent, adjuvante intentie, interval van 13 maanden groter dan 12, zodat de uitzondering is vervuld en het oordeel ELIGIBLE is. — Temporele uitzondering vervuld: adjuvante platinum afgerond 13 maanden vóór randomisatie, berekend met datumwiskunde.

Het cijfer waar een hoofd klinische operaties daadwerkelijk om geeft

Op een vaste gouden set van 13 gelabelde gevallen, getrokken uit 7 synthetische patiënten over 2 synthetische protocollen, gescoord tegen de gekruisvalideerde lexicale baseline bij t = 0.6932, scoort TrialProof 100% beslisnauwkeurigheid tegen 53.8% van de baseline, verliest 0 geschikte patiënten waar de baseline 3 verliest, en draagt een reproduceerbaar redeneerspoor op 100% van de beslissingen tegen 0% van de baseline. Het onthoudt zich veilig twee keer met NEEDS-REVIEW waar de baseline raadt, en het opnieuw draaien van alle 13 gevallen levert byte-identieke oordelen en sporen op (13 of 13). We schrijven elk cijfer toe aan deze gelabelde gouden set, nooit als een open-wereldclaim.

De benchmarktegels van de gouden set: beslisnauwkeurigheid 100% versus 53.8% baseline, terugvinding van geschikte patiënten 100% versus 66.7%, verloren geschikte patiënten 0 versus 3, en dekking van auditeerbaar spoor 100% versus 0%, met een reproduceerbaarheidsnotitie dat het opnieuw draaien van 13 gevallen byte-identieke oordelen oplevert. — De gelabelde gouden set van 13 gevallen: 100% vs 53.8% nauwkeurigheid, 0 vs 3 verloren geschikte patiënten, 100% vs 0% spoordekking, byte-identiek bij herhaling.

Vectorgelijkenis versus een redeneerengine

Dezelfde vergelijking die de demo scoort, dimensie voor dimensie.

Dimensie	Eerlijke lexicale baseline	TrialProof
Wie beslist over geschiktheid	Een gelijkenisscore boven een drempel	Een deterministische deontische-logica-engine, buiten de agents
Hiërarchie / is-a	Geen, alleen tokennabijheid	SNOMED-CT is-a-subsumptie
Negatie (geen aanwijzing voor diabetes)	Gematcht als aanwezig	Gestript door de verifier
Toeschrijving van familieanamnese	Toegeschreven aan de patiënt	Afgewezen op de subjectcontrole
Temporele uitzonderingsclausules	Niet representeerbaar	Datumwiskunde over de randomisatiedatum
Ontbrekend lab of vitaal	Raadt, onthoudt zich nooit	NEEDS-REVIEW, met vermelding van wat ontbreekt
Redeneerspoor	Geen, een kaal gelijkenisgetal	Volledig spoor, geëxporteerd als CDISC SDTM IE
Reproduceerbaarheid	Niet van toepassing	Byte-identiek bij herhaling (13 of 13)

Wat deze demo niet doet

✓ Het claimt niet universeel 100% nauwkeurig te zijn. Het cijfer van 100% is beslisnauwkeurigheid op een vaste gelabelde gouden set van 13 gevallen, nooit een open-wereldgarantie en nooit een belofte om op elk dossier gelijk te hebben.
✓ Het presenteert zijn patiënten niet als echt. Alle patiënten, aantekeningen en protocollen zijn synthetisch, zonder PHI, zonder live EHR, en zonder echte trial. P-074, P-101 tot en met P-106, ONC-204 en ANTI-3 zijn gefabriceerde testhulpstukken.
✓ Het gebruikt niet heel SNOMED-CT. De ontologie is een samengestelde subgraaf van 24 concepten (15 echte SCTID's, 9 samengesteld en gestippeld getekend). Volledig SNOMED-CT, MedDRA en LOINC zijn het uitgestelde productiepad.
✓ Het gebruikt geen live connectoren. FHIR R4 EHR-inname, de graafopslag en de klinische LLM zijn gesimuleerd of van provider verwisselbaar. Epic App Orchard en Oracle live FHIR, CTMS-connectoren, en SOC 2- of HIPAA-BAA-hardening zijn uitgesteld.
✓ Het is niet FDA-cleared, CDS-exempt, HIPAA-gecertificeerd of SOC 2-gecertificeerd. De Clinical Decision Support-richtlijn van de FDA van januari 2026 is onze afstemming en richting, geen clearance. Dit is geen medisch advies en neemt geen klinische beslissingen.
✓ Het draagt geen klanten, sponsors, CRO's, pilots, testimonials of ROI-cijfers. Die bestaan niet. Dit is een demo die het mechanisme bewijst, geen uitrol.

Vragen die kopers daadwerkelijk stellen

Hoe verschilt dit van patiëntmatching van Deep 6, Tempus of IQVIA?

TrialProof is geen datanetwerk of cloudmatchingplatform, en het is geen kloon van die tools. Het is de deterministische redeneer- en herkomstlaag die zij missen: het deel dat het geschiktheidsoordeel berekenbaar, controleerbaar en indienbaar maakt. Een matchingplatform reikt u een gerangschikte lijst met een score; TrialProof reikt u ELIGIBLE, EXCLUDED of NEEDS-REVIEW met de SNOMED-concept-ID's en de graafrand die het besliste. Het is bedoeld om naast een matchingpijplijn te zitten, niet om het datanetwerk eronder te vervangen.

Waarom sluit AI voor patiëntmatching geschikte patiënten uit?

Omdat het een klinische aantekening als tekst leest en gelijkenis scoort, waardoor het woorden verwart die op elkaar lijken maar medisch iets anders betekenen. Een aantekening die central venous catheter placement zegt, scoort hoog tegen een trial die hartkatheterisatie uitsluit, en de patiënt wordt ten onrechte uitgesloten. Dezelfde faalmodus dekt negatie (geen aanwijzing voor diabetes gematcht als diabetes), familieanamnese toegeschreven aan de patiënt, en uitzonderingsclausules die een gelijkenisscore helemaal niet kan representeren. Gepubliceerde evaluaties bevestigen dat AI-modellen precies deze katheterisatiefout maken (Fierce Biotech, 2025).

Kan ik een audittrail krijgen die een toezichthouder per geschiktheidsbeslissing kan indienen?

Ja. Elke beslissing exporteert als een CDISC SDTM IE-record in JSON en CSV, één rij per patiënt en criterium, met het criterium, het oordeel, en het volledige deterministische redeneerspoor dat de SCTID's en de deontische operatie noemt. Waar een feit matchte, draagt de rij ook het is-a-pad en, voor uit aantekeningen afgeleide feiten, het letterlijke span. Op de gouden set van 13 gevallen draagt 100% van de TrialProof-beslissingen een reproduceerbaar spoor en de baseline 0%, en het opnieuw draaien van de set produceert byte-identieke uitvoer (13 of 13).

Gebruikt het echte SNOMED-codes of verzonnen codes?

Elk concept dat de demo voor een beslissing aanhaalt, draagt een echte SCTID, controleerbaar in elke publieke SNOMED-browser: Central venous catheterization is 392230005 en Cardiac catheterization is 41976001, en ze zitten op verschillende takken, daarom verbindt geen subsumptiepad ze. De engine bevraagt een samengestelde subgraaf van 24 concepten met 22 is-a-relaties, niet heel SNOMED-CT. De 9 voor de demo samengestelde concepten zonder publieke SCTID hebben het voorvoegsel CUR- en zijn gestippeld getekend in plaats van als echte codes voorgesteld. Volledig SNOMED-CT, MedDRA en LOINC zijn het uitgestelde productiepad.

Zijn de patiëntgegevens echt, en is dit HIPAA-conform?

Alle gegevens zijn synthetisch. Er is geen echte PHI, geen live EHR, en geen echte trial; de patiënten, aantekeningen en protocollen zijn gefabriceerde testhulpstukken. Dit is een uitvoerbare demo die het mechanisme bewijst, geen in productie genomen pijplijn, dus het is niet HIPAA-gecertificeerd, SOC 2-gecertificeerd, FDA-cleared of CDS-exempt, en het neemt geen klinische beslissingen. De Clinical Decision Support-richtlijn van de FDA van januari 2026 is het relevante kader voor een matchinghulp met een mens in de lus, en het is onze richting, geen clearance die we houden.

Lost een betere LLM dit niet gewoon op?

Nee, omdat dit geen taalproblemen zijn, het zijn logicaproblemen. Een gelijkenisscore kan is-a niet representeren, kan not niet representeren, en kan unless completed more than twelve months before randomization niet representeren, en geen enkele hoeveelheid prompting of context voegt ze toe. Dus laten we het model het ene doen waar het werkelijk goed in is, rommelig proza lezen en feiten voorstellen met het span waaruit het ze las, vervolgens een adversariële verifier weggooien wat de aantekening niet ondersteunt, en deterministische code over een medische ontologie het oordeel laten berekenen. De LLM kan die poort niet overschrijven, en dat maakt dat hetzelfde dossier bij elke run hetzelfde antwoord geeft.

Wat betekent het cijfer van 100% nauwkeurigheid eigenlijk?

Het is 100% beslisnauwkeurigheid op een vaste gelabelde gouden set van 13 gevallen, getrokken uit 7 synthetische patiënten over 2 synthetische protocollen, gescoord tegen een eerlijke lexicale baseline waarvan de drempel in eigen voordeel is gekruisvalideerd (t = 0.6932). Het is nooit een universele of open-wereldclaim, en het is niet hetzelfde als dat dit product op elk mogelijk dossier gelijk heeft. Op diezelfde set verliest TrialProof 0 geschikte patiënten waar de baseline 3 verliest, en onthoudt zich veilig twee keer met NEEDS-REVIEW in plaats van te raden.

Technisch onderzoek

Het onderzoek achter deze demo — de architectuur, het verificatieontwerp en de enterprise-blauwdruk.

Volledige oplossing

Verken de Clinical Trial Recruitment AI-oplossing →

Patiënten aan trials koppelen zonder een spoor dat een toezichthouder kan indienen?

De deterministische redeneer- en herkomstlaag is het moeilijke deel. Wij bouwen die.

Als uw team afweegt hoe u een geschiktheidsbeslissing voor een toezichthouder legt zonder hen te vragen een gelijkenisscore te vertrouwen, horen we graag hoe u daarover nadenkt. Het probleem is sectorsbreed en de antwoorden zullen dat ook zijn.

Beoordeling van geschiktheidsredenering

✓ Breng in kaart waar uw patiëntmatcher een geschikte patiënt kan uitsluiten
✓ Scheid wat de LLM moet extraheren van wat code moet beslissen
✓ Definieer de ontologie-, negatie- en temporele regels die uw protocollen nodig hebben
✓ Specificeer het CDISC SDTM IE-spoor dat uw regelgevingsteam kan indienen

Bouw de redeneerlaag

✓ Een deterministische deontische-logica-engine over uw echte ontologie
✓ Een adversariële verifier voor negatie, subject en gehallucineerde feiten
✓ SNOMED-CT-subsumptie plus datumwiskunde, reproduceerbaar bij elke herhaling
✓ Van provider verwisselbare extractie, waarbij het model nooit een oordeel overschrijft

Verbind via WhatsApp E-mail ons team