How does the eligibility gate actually work?

Each synthetic trial defines hard inclusion/exclusion criteria: an age range, a disease-stage range, minimum biomarker thresholds and a set of excluded comorbidities. The simulator checks the patient's actual slider values against every one of these criteria; a trial is only marked eligible when all of them pass simultaneously. Nothing here is decorative — the pass/fail state changes the moment you move a slider.

What is the similarity score measuring?

For each trial, the patient's normalised feature vector (age, biomarker A, biomarker B, stage, all scaled 0-1) is compared against the trial's target profile using a weighted Euclidean distance. Each trial has its own per-feature weights reflecting which criteria matter most for that protocol. The similarity score is 100% minus that weighted distance, so a closer match to the trial's ideal profile scores higher.

What does the strictness slider change?

It widens or narrows the tolerance band around each trial's numeric hard criteria (age range, stage range, biomarker thresholds) — lenient settings admit patients just outside the canonical range, strict settings enforce the exact published range. Comorbidity exclusions are treated as absolute safety criteria and are never loosened by this slider, mirroring how real trial protocols separate soft eligibility windows from hard safety exclusions.

Is this simulating a real trial-matching algorithm?

The scoring mechanics (hard-criteria gating followed by weighted-distance ranking among eligible candidates) mirror the two-stage approach used by real clinical-trial matching tools, but the six trials and the patient model are synthetic teaching examples, not real protocols or patient data.

Accueil ▸ IA & Machine Learning ▸ Assortisseur d'Essais Cliniques — Similarité de Patients en Direct

🩺 Assortisseur d'Essais Cliniques — Similarité de Patients en Direct

Observez un modèle de notation de similarité comparer des profils de patients synthétiques aux critères d'éligibilité d'essais en temps réel, classant les essais candidats à mesure que les critères d'inclusion/exclusion sont ajustés.

IA & Machine Learning Three.js / WebGL Modéré 60 IPS

À propos de cette simulation

Ce simulateur pilote un pipeline d'appariement d'essais cliniques en deux étapes contre un patient synthétique. D'abord, chaque essai candidat exécute un véritable filtre d'éligibilité strict : de vraies vérifications de plage sur l'âge et le stade de la maladie, des seuils minimaux de biomarqueurs, et des drapeaux d'exclusion de comorbidité, tous évalués directement contre les valeurs actuelles des caractéristiques du patient. Seuls les essais qui passent chaque critère strict avancent à la seconde étape, où une distance euclidienne pondérée entre le vecteur de caractéristiques normalisé du patient et le profil cible de l'essai produit un score de similarité utilisé pour classer les correspondances éligibles.

🔬 Ce que ça montre

Un graphique radar compare les quatre caractéristiques normalisées du patient (âge, biomarqueur A, biomarqueur B, stade) contre le profil cible de l'essai sélectionné, et une liste à barres classée montre le statut d'éligibilité et le score de similarité de chaque essai, se mettant à jour en direct à mesure que les curseurs bougent.

🎮 Comment utiliser

Ajustez l'âge du patient, les niveaux de biomarqueurs et le stade, basculez les comorbidités, et faites glisser le curseur de sévérité de l'essai pour élargir ou rétrécir les fenêtres d'éligibilité numériques. Cliquez sur n'importe quelle ligne de la liste classée pour comparer le profil cible de cet essai avec le patient dans le graphique radar.

💡 Le saviez-vous ?

Les vrais systèmes d'appariement d'essais cliniques séparent les critères de la même façon que ce simulateur : les exclusions de sécurité strictes (comme les seuils de fonction d'organe) ne sont jamais assouplies, tandis que les fenêtres d'inclusion plus souples peuvent parfois être élargies par un amendement de protocole d'étude — exactement ce que le curseur de sévérité modélise ici.

Questions fréquentes

Comment le filtre d'éligibilité fonctionne-t-il réellement ?

Chaque essai synthétique définit des critères d'inclusion/exclusion stricts : une plage d'âge, une plage de stade de maladie, des seuils minimaux de biomarqueurs et un ensemble de comorbidités exclues. Le simulateur vérifie les valeurs réelles des curseurs du patient contre chacun de ces critères ; un essai n'est marqué éligible que lorsque tous passent simultanément. Rien n'est décoratif ici — l'état de réussite/échec change au moment même où vous déplacez un curseur.

Que mesure le score de similarité ?

Pour chaque essai, le vecteur de caractéristiques normalisé du patient (âge, biomarqueur A, biomarqueur B, stade, tous mis à l'échelle 0-1) est comparé au profil cible de l'essai à l'aide d'une distance euclidienne pondérée. Chaque essai a ses propres poids par caractéristique reflétant les critères les plus importants pour ce protocole. Le score de similarité est 100% moins cette distance pondérée, donc une correspondance plus proche du profil idéal de l'essai obtient un score plus élevé.

Que change le curseur de sévérité ?

Il élargit ou rétrécit la bande de tolérance autour des critères stricts numériques de chaque essai (plage d'âge, plage de stade, seuils de biomarqueurs) — des réglages indulgents admettent des patients juste en dehors de la plage canonique, des réglages stricts imposent la plage exacte publiée. Les exclusions de comorbidité sont traitées comme des critères de sécurité absolus et ne sont jamais assouplies par ce curseur, reflétant la façon dont les vrais protocoles d'essai séparent les fenêtres d'éligibilité souples des exclusions de sécurité strictes.

Cela simule-t-il un véritable algorithme d'appariement d'essais ?

La mécanique de notation (filtrage par critères stricts suivi d'un classement par distance pondérée parmi les candidats éligibles) reflète l'approche en deux étapes utilisée par les vrais outils d'appariement d'essais cliniques, mais les six essais et le modèle de patient sont des exemples pédagogiques synthétiques, pas de vrais protocoles ou données de patients.