Betritt man eine onkologische Praxis, sieht man wahrscheinlich jemanden, der eine Patientenakte liest, bevor auch nur ein einziger Patient behandelt wird. Vielleicht bereitet eine Krankenschwester einen komplexen Fall für einen Besuch um 9 Uhr morgens vor; möglicherweise stellt sie auch Bildgebungs- und Genomdaten zusammen und vermerkt, welche Behandlungsmethoden der Patient vor sechs Monaten abgesetzt hat. Oder Sie treffen vielleicht auf einen Registerbeamten, der eine obligatorische Datenextraktion für ein Krebsregister durchführt, oder auf einen Forschungskoordinator, der eine Patientenakte liest, um zu entscheiden, ob ein Patient die Einschlusskriterien einer laufenden Studie erfüllen könnte.

Die Krankenakte eines komplexen Krebspatienten kann bis zu 300 Seiten umfassen und klinische Notizen, gescannte Dokumente, Faxe, Pathologieberichte, Bildgebungsbefunde und Genompanels enthalten. Die Aufgabe des Onkologiekoordinators besteht darin, alles zu lesen, das Studienprotokoll mit den Ein- und Ausschlusskriterien im Kopf zu haben und zu entscheiden, ob dieser Patient für eine Studie in Frage kommt – und das dann für den nächsten Patienten zu wiederholen. Allein das Screening beansprucht bis zu einem Viertel der Arbeitszeit der Koordinatoren an einem onkologischen Standort.

Dies ist das größte Hindernis bei der Markteinführung lebensrettender Krebsmedikamente. Anspruchsberechtigte Patienten sitzen in Wartezimmern, erscheinen zu ihren Terminen und werden in jedem elektronischen Patientenaktensystem des Landes dokumentiert. Das Problem ist, dass jemand die Aufzeichnungen lesen muss.

Der Druck auf diesen Engpass nimmt zu. Onkologische Studien machen mittlerweile 41 % aller klinischen Studien weltweit aus, wobei die Zahl der Studienbeginne im letzten Jahrzehnt um 58 % gestiegen ist; derzeit werden über zehntausend onkologische Studien aktiv rekrutiert. Die KI-gestützte Wirkstoffforschung verkürzt die frühe Phase der Entwicklungspipeline auf eine Weise, die die Branche noch nicht vollständig erfasst hat. All dies geschieht vor dem Hintergrund, dass die WHO bis 2050 einen Anstieg der Krebsneuerkrankungen um 77 % prognostiziert.

Triomics* hat die onkologiespezifische KI-Infrastruktur entwickelt, um dieses Problem zu lösen.

Warum dies bis jetzt unlösbar war

Man hat schon zuvor versucht, dieses Problem zu lösen. Die früheren Versuche basierten auf Stichwortsuche und regelbasiertem Abgleich und funktionierten nicht sehr gut, da die Aufgabe nicht mit Strg+F zu lösen ist. Wenn ein Protokoll vorschreibt, dass ein Patient „auf eine Erstlinien-Chemotherapie nicht ansprechen konnte“, kann man nicht nach diesem Stichwort suchen. Im Allgemeinen muss man anhand von Aufzeichnungen verschiedener Ärzte über Jahre hinweg eine chronologische Behandlungsgeschichte rekonstruieren, ein bestimmtes Behandlungsschema mit einem Monate später in einem radiologischen Befund dokumentierten Progressionsereignis verknüpfen und daraus eine klinische Schlussfolgerung ziehen. Die bisherigen Instrumente konnten dies nicht mit ausreichender Genauigkeit leisten, um das Vertrauen von Ärzten und Forschungskoordinatoren zu gewinnen – und ein Instrument, dem Forschungskoordinatoren nicht vertrauen, wird nicht eingesetzt.

Geändert hat sich die Modellebene: das Schlussfolgern über lange, unübersichtliche, multimodale Datensätze. Und genau darin sind LLMs in den letzten zwei Jahren gut geworden.

Sarim und Raj

Durch Verbesserungen am Modell wurde diese Kategorie erschlossen, doch die Umsetzung in einem onkologischen Patientendossier, sodass ein Forschungskoordinator an einem renommierten Institut dem Ergebnis vertrauen kann, ist eine ganz andere Aufgabe. Dies erfordert jemanden, der die Arbeitsabläufe in der Onkologie so gut versteht, dass er weiß, wie die richtige Antwort überhaupt aussieht, und jemanden, der in der Lage ist, produktionsreife KI auf der Grundlage der langen, unübersichtlichen und multimodalen Daten zu entwickeln, die eine onkologische Patientenakte tatsächlich darstellt.

Triomics hat beide Gründer: Sarim Khan war ein publizierter Biotech-Forscher am MIT und arbeitete eng mit klinischen Forschungs- und Pflegeteams im Bostoner Ökosystem zusammen, während Raj Singh die Forschung im Bereich der generativen KI bei Adobe leitete und zahlreiche Veröffentlichungen zu multimodaler Verständnisforschung und kontrollierbarer Textgenerierung vorweisen konnte. Ein Kunde, mit dem wir sprachen, bezeichnete sie als eine „tödliche Kombination“ für Krebspatienten.

Was Triomics aufgebaut hat

Die uns bekannten Ergebnisse für den Endkunden sind nur aufgrund einer grundlegenden architektonischen Entscheidung möglich. Das Team entwickelte OncoLLM, eine Familie von acht auf die Onkologie spezialisierten Modellen mit 3 bis 72 Milliarden Parametern, die als agentenbasiertes Schlussfolgerungssystem und nicht als einzelner Modellaufruf strukturiert sind. Es basiert auf OncoIndexer, der Datenpipeline des Unternehmens mit Integrationen in Epic! OncoEMR und iKnowMed – den drei Systemen, die etwa 70-80 % der onkologischen Leistungserbringer abdecken. Das Ergebnis ist ein strukturiertes Patientenprofil, das aus den vollständigen Längsschnittdaten erstellt und in Echtzeit anhand der Einschlusskriterien der Studie ausgewertet wird.

Die Genauigkeit bei der Zuordnung von Patienten zu Studienteilnehmern hat 95 % überschritten, was die Schwelle ist, der Krebszentren tatsächlich vertrauen. In einer Präsentation vor der American Society of Clinical Oncology berichtete das Medical College of Wisconsin Cancer Center über einen Anstieg der Studienteilnahme um mehr als 30 % in seinem aktiven Studienportfolio und eine Reduzierung der Screeningzeit um 67 % durch den Einsatz von Triomics. Zu den renommierten onkologischen Einrichtungen, die mit dem Unternehmen zusammenarbeiten, gehören das Memorial Sloan Kettering Cancer Center (MSK), das MD Anderson Cancer Center, das Yale Cancer Center und sein Partner Smilow Cancer Hospital sowie das Mount Sinai Tisch Cancer Center.

Kunden berichten, dass das Produkt dem Arzt und dem Koordinator Zeit spart und gleichzeitig den Umsatz steigert. ROI-Gespräche an akademischen medizinischen Zentren sind nicht schwierig.

Die Zukunft von Triomics

Wir sind genauso gespannt auf das, was außerhalb des akademischen medizinischen Zentrums geschieht. Etwa 85 % der Krebspatienten werden ambulant behandelt, und die meisten ambulanten Praxen führen nur wenige oder gar keine Studien durch. Die operativen Herausforderungen in der ambulanten Onkologie sind anders gelagert – die Vordokumentation komplexer Patientenfälle vor den Besuchen, die Aufbereitung von Daten aus der Praxis für die Berichterstattung an Kostenträger und Pharmaunternehmen sowie das Ausfüllen der obligatorischen Krebsregisterauszüge, die jede Praxis einreichen muss. Dies sind die Arbeitsabläufe, die im Gemeinwesen tatsächlich die Arbeitszeit der Mitarbeiter in Anspruch nehmen.

Da OncoLLM das strukturierte Patientenprofil nur einmal erstellt, greift jeder Workflow – Matching, Vorregistrierung, Register, Kohortenvisualisierung – auf dasselbe Profil zurück, ohne redundante Integration oder redundante Berechnungen. Triomics hat sich in der ambulanten Versorgung mit der Vordokumentation und der Meldung von Schmerzen etabliert, was nichts mit klinischen Studien zu tun hat, und nutzt diese Präsenz dann für die Erstellung eines Screening-Netzwerks für Studien im Auftrag von akademischen Einrichtungen und Pharma-Sponsoren, die geeignete Patienten suchen, die sie sonst nicht finden können.

Das Schwungrad ist intuitiv: Mehr Standorte generieren strukturiertere Patientendaten. Strukturiertere Daten machen das Netzwerk für Sponsoren wertvoller, die sich heute auf CROs verlassen, um Standorte manuell zu untersuchen und Patientenpools zu schätzen – ein Prozess, der Monate dauert und in der Regel ungenau ist. Sponsoren können stattdessen einen in Echtzeit verfügbaren, KI-strukturierten Datenfeed über ein nationales Gebiet abfragen. Standortbezogene Verbindungen und damit verbundene pharmazeutische Wertstoffe.

Die Pipeline für onkologische Medikamente produziert mehr Studien und Therapien, als die bestehende Screening-Infrastruktur aufnehmen kann. Die für den Einsatz von KI in einem klinischen Studienablauf erforderliche Genauigkeit wurde erst vor kurzem erreicht. Sarim und Raj haben ein Geschirr entwickelt, das diesen Fortschritt nutzt; sie haben bereits erste Kunden, um zu beweisen, dass die erstklassigen Krebszentren darauf vertrauen werden.

Was wäre, wenn wir in Echtzeit strukturierte Daten zu jedem Krebspatienten im Land hätten? Wie viele Leben könnten gerettet werden? Wie viele Therapien könnten schneller auf den Markt kommen?

Wir werden es gemeinsam herausfinden. Wir freuen uns, mit dem Triomics-Team Partner und die neueste Finanzierungsrunde des Unternehmens anzuführen.