La complexité croissante de la recherche clinique exige une intégration efficace de divers types de données, y compris les dossiers de santé électroniques, l'imagerie médicale, les séquences génomiques et les données de capteurs portables. Les approches traditionnelles de gestion des données peinent souvent à garantir l'interopérabilité, la scalabilité et le traitement en temps réel. Cette étude propose un cadre d'intégration de données amélioré par l'IA, spécifiquement conçu pour la recherche clinique multimodale. En s'appuyant sur l'apprentissage automatique, le traitement du langage naturel et des techniques avancées d'harmonisation des données, le cadre permet une fusion transparente des données structurées et non structurées provenant de sources hétérogènes. L'architecture proposée améliore la qualité des données, renforce l'efficacité analytique et soutient la reproductibilité dans les études cliniques. Des applications de cas démontrent son potentiel à accélérer la modélisation des maladies, les stratégies de traitement personnalisées et l'analyse prédictive, tout en respectant les normes de gouvernance des données de santé. Les résultats suggèrent que l'intégration guidée par l'IA non seulement optimise les flux de travail de recherche multimodale, mais ouvre également la voie à une prise de décision clinique plus holistique et basée sur des preuves.
Chinthalapelly et al. (Tue,) ont étudié cette question.