使用大语言模型在集成逻辑中扩大临床试验协议的形式化表示：一项初步研究
Scaling Up Formal Representation of Clinical Trial Protocols in Ensemble Logic Using LLMs: A Preliminary Study
浏览论文内容
中文总结 AI 辅助
研究针对临床试验协议依赖非结构化文本阻碍自动化推理等问题，引入CT-TEL工作流程，利用大语言模型将叙述性临床协议转为TEL公式，通过反向翻译评估保真度，为协议映射到可计算逻辑及临床试验模拟提供初步证据。
中文摘要 AI 辅助
依赖非结构化自由文本记录临床试验协议给自动推理、队列发现和试验模拟带来了重大障碍。缺乏形式结构会模糊关键的时间表型，如动态纳入标准和事件时间限制。尽管时间集成逻辑（TEL）为建模这些元素提供了一个富有表现力的框架，但手动编码仍然是一个令人望而却步的瓶颈。我们引入了CT-TEL工作流程：一个利用大语言模型将叙述性临床协议转换为TEL公式的可扩展管道。我们应用CT-TEL为来自该http URL的23个真实世界试验生成逻辑模型。我们通过反向翻译方法评估翻译保真度，使用大语言模型将TEL公式转换回自然语言并测量与源文本的语义相似度。结果表明大语言模型可能为将非正式协议映射到可计算逻辑提供一条途径，为在相应作者倡导的新兴“符号化生物医学”范式内进行可扩展的临床试验模拟提供初步证据。
英文摘要
The reliance on unstructured free text for documenting clinical trial protocols creates a significant barrier to automated reasoning, cohort discovery, and trial simulation. The lack of formal structure obscures critical temporal phenotypes, such as dynamic eligibility criteria and event timing constraints. Although Temporal Ensemble Logic (TEL) offers an expressive framework for modeling these elements, manual encoding remains a prohibitive bottleneck. We introduce the CT-TEL workflow: a scalable pipeline leveraging Large Language Models (LLMs) to translate narrative clinical protocols into TEL formulas. We applied CT-TEL to generate logical models for 23 real-world trials from ClinicalTrials.gov. We evaluated translation fidelity via a back-translation approach, using LLMs to convert TEL formulas back into natural language and measuring semantic similarity against source texts. The resulting semantic retention suggests that LLMs may offer a pathway for mapping informal protocols to computable logic, providing preliminary evidence toward scalable clinical trial emulation within the emerging "Symbolic Biomedicine" paradigm championed by the corresponding author.
发表机构
- McGovern Medical School（麦戈文医学学院）
- McWilliams School of Biomedical Informatics（麦克威廉斯生物医学信息学学院）
- The University of Texas Health Science Center at Houston（德克萨斯大学健康科学中心休斯顿分校）
机构由 AI 辅助整理，请以论文原文为准。
