Explainable AI-driven precision clinical trial enrichment: demonstration of the NetraAI platform with a phase II depression trial
Notice bibliographique
Résumé
Clinical trial failures are frequently driven by patient heterogeneity and limited sample sizes that obscure treatment effects by diluting statistical power. We introduce NetraAI, a novel explainable artificial intelligence (AI) platform that integrates dynamical-systems modeling, evolutionary long-range memory feature selection, and large-language model (LLM)-generated insights, to discover high-effect-size patient subpopulations ("Personas") from high-dimensional clinical data. In a Phase II ketamine trial for treatment-resistant depression (n = 63), NetraAI analyzed psychiatric scale data (175/patient) and MRI-derived features (185/patient). NetraAI outperformed traditional machine learning (ML) models in predicting treatment outcomes, improving predictive accuracy by approximately 25-30% and achieving higher sensitivity and specificity in detecting responders. NetraAI identified a 10-clinical variable model that improved predictive AUC by 0.32 over standard machine learning (ML) models and an 8-MRI feature model achieving 95% accuracy and 100% specificity. These findings demonstrate that an explainable dynamical AI approach can leverage small but rich datasets to uncover hidden clinically meaningful subgroups. NetraAI's precision enrichment strategy has the potential to improve trial success rates and enable personalized medicine by prospectively identifying patients most likely to benefit from a given therapy in oncology, psychiatry, neurodegeneration, and for other disorders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».