論文の概要: A Machine Learning alternative to placebo-controlled clinical trials upon new diseases: A primer

• arxiv url: http://arxiv.org/abs/2003.12454v1
• Date: Thu, 26 Mar 2020 17:53:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 21:31:48.056073
• Title: A Machine Learning alternative to placebo-controlled clinical trials upon new diseases: A primer
• Title（参考訳）: 新しい疾患に対するプラセボ制御臨床試験に代わる機械学習:プライマー
• Authors: Ezequiel Alvarez (ICAS, Argentina), Federico Lamagna (CAB, Argentina) and Manuel Szewc (ICAS, Argentina)
• Abstract要約: 新たな危険で伝染性の疾患は、通常のメカニズムによって予測されるものよりも早く薬物療法を開発する必要がある。 我々は、全ての患者が異なる、合理的な組み合わせの薬物を受け取り、この結果を用いてニューラルネットワークをフィードする新しい手法を比較した。 変動を平均化し、異なる患者の特徴を認識することで、ニューラルネットワークは患者の初期状態と治療の結果を結びつけるパターンを学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The appearance of a new dangerous and contagious disease requires the development of a drug therapy faster than what is foreseen by usual mechanisms. Many drug therapy developments consist in investigating through different clinical trials the effects of different specific drug combinations by delivering it into a test group of ill patients, meanwhile a placebo treatment is delivered to the remaining ill patients, known as the control group. We compare the above technique to a new technique in which all patients receive a different and reasonable combination of drugs and use this outcome to feed a Neural Network. By averaging out fluctuations and recognizing different patient features, the Neural Network learns the pattern that connects the patients initial state to the outcome of the treatments and therefore can predict the best drug therapy better than the above method. In contrast to many available works, we do not study any detail of drugs composition nor interaction, but instead pose and solve the problem from a phenomenological point of view, which allows us to compare both methods. Although the conclusion is reached through mathematical modeling and is stable upon any reasonable model, this is a proof-of-concept that should be studied within other expertises before confronting a real scenario. All calculations, tools and scripts have been made open source for the community to test, modify or expand it. Finally it should be mentioned that, although the results presented here are in the context of a new disease in medical sciences, these are useful for any field that requires a experimental technique with a control group.
• Abstract（参考訳）: 新たな危険かつ伝染性疾患の出現は、通常のメカニズムによって予測されるよりも早く薬物療法の開発を必要とする。 多くの薬物療法の開発は、異なる臨床試験を通じて、異なる特定の薬物の組み合わせの効果を検査するために、病気患者のテストグループに提供し、一方、プラセボ治療は、コントロールグループとして知られる残りの病気患者に提供される。 以上の手法を、全ての患者が異なる、合理的な組み合わせの薬物を受け取り、この結果を用いてニューラルネットワークをフィードする新しい手法と比較する。 変動を平均化し、異なる患者の特徴を認識することにより、ニューラルネットワークは、患者の初期状態と治療結果とをつなぐパターンを学習し、上記の方法よりも最適な薬物療法を予測することができる。 多くの利用可能な作品とは対照的に、我々は薬物組成や相互作用の詳細を研究せず、現象学的観点からその問題を解決することで、両方の方法を比較することができる。 結論は数学的モデリングによって達成され、任意の妥当なモデル上で安定であるが、これは概念実証であり、実際のシナリオに直面する前に他の専門知識で研究されるべきである。 すべての計算、ツール、スクリプトは、コミュニティがそれをテスト、修正、拡張するためにオープンソースにされている。 最後に、本研究の結果は、医学における新しい疾患の文脈にあるが、これらは、コントロールグループによる実験技術を必要とする分野において有用である。

関連論文リスト

• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Depression Diagnosis and Drug Response Prediction via Recurrent Neural Networks and Transformers Utilizing EEG Signals [0.0]
  うつ病は最も一般的な精神疾患の1つであるが、研究と臨床の両方ではまだ理解されていない。 脳波信号を用いたMDD患者の大うつ病(MDD)診断法と薬物応答予測法を提案する。
  論文  参考訳（メタデータ） (2023-03-09T09:15:19Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Multi-Task Adversarial Learning for Treatment Effect Estimation in Basket Trials [12.266020657495618]
  バスケットトライアルと呼ばれる新しい臨床設計に応用するための因果推論について述べる。 そこで本研究では, 腫瘍の種類によって有意な影響を推定するためのマルチタスク逆学習法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T02:41:26Z)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• Representation Learning for Integrating Multi-domain Outcomes to Optimize Individualized Treatments [6.505217121471555]
  精神疾患の場合、患者の基礎となる精神状態は、観察された測定結果から推測されなければならない、保存されていない潜在的構成物である。 本稿では,患者の精神状態を同時に学習し,各個人に対して最適な治療を推奨する統合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:30:31Z)
• Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
  我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。 そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。 新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
  論文  参考訳（メタデータ） (2020-07-31T14:34:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。