論文の概要: Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints

• arxiv url: http://arxiv.org/abs/2006.05026v2
• Date: Mon, 15 Jun 2020 16:41:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 14:27:03.343061
• Title: Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints
• Title（参考訳）: 安全制約のある適応型臨床試験におけるドーズアロケーションの学習
• Authors: Cong Shen, Zhiyang Wang, Sofia S. Villar, and Mihaela van der Schaar
• Abstract要約: 新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
• 参考スコア（独自算出の注目度）: 84.09488581365484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phase I dose-finding trials are increasingly challenging as the relationship between efficacy and toxicity of new compounds (or combination of them) becomes more complex. Despite this, most commonly used methods in practice focus on identifying a Maximum Tolerated Dose (MTD) by learning only from toxicity events. We present a novel adaptive clinical trial methodology, called Safe Efficacy Exploration Dose Allocation (SEEDA), that aims at maximizing the cumulative efficacies while satisfying the toxicity safety constraint with high probability. We evaluate performance objectives that have operational meanings in practical clinical trials, including cumulative efficacy, recommendation/allocation success probabilities, toxicity violation probability, and sample efficiency. An extended SEEDA-Plateau algorithm that is tailored for the increase-then-plateau efficacy behavior of molecularly targeted agents (MTA) is also presented. Through numerical experiments using both synthetic and real-world datasets, we show that SEEDA outperforms state-of-the-art clinical trial designs by finding the optimal dose with higher success rate and fewer patients.
• Abstract（参考訳）: 新規化合物(またはそれらの組み合わせ)の有効性と毒性の関係がより複雑になるにつれて、第i相線量探索試験はますます困難になっている。 それにもかかわらず、実際最も一般的に使われている方法は、毒性事象のみから学ぶことによって最大許容量(MTD)を特定することである。 我々は, 毒性安全性制約を高い確率で満たしながら累積効果を最大化することを目的とした, safe effective exploration dose allocation (seeda) という新しい適応型臨床試験手法を提案する。 本研究は, 累積有効性, 推奨/配置成功確率, 毒性違反確率, サンプル効率など, 実用的臨床試験において意味のあるパフォーマンス目標を評価する。 また,分子標的剤 (MTA) の高次プラトー効果に適合する拡張SEEDA-Plateauアルゴリズムについても述べる。 合成データと実世界のデータの両方を用いた数値実験により,seedaは,高い成功率と少ない患者で最適な服用量を見出すことにより,最先端の臨床試験設計を上回っていることが示された。

関連論文リスト

• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations [1.9785304593748243]
  観測データからヘテロジニアス処理効果 (HTE) を推定する方法は, 連続的あるいは2次的な結果に大きく焦点が当てられている。 我々は、競合するリスクを伴わずに生存結果の検閲未バイアス変換(CUT)を開発する。
  論文  参考訳（メタデータ） (2024-01-20T16:17:06Z)
• A Flexible Framework for Incorporating Patient Preferences Into Q-Learning [1.2891210250935146]
  現実の医療問題では、治療効果や副作用の重症度など、多くの競合する結果がしばしば存在する。 動的治療体制(DTR)を推定するための統計的手法は、通常、単一の関心の結果を仮定する。 これには、単一時点の制限と2つの結果、自己報告された患者の嗜好を組み込むことができないこと、理論的な保証が制限されていることが含まれる。
  論文  参考訳（メタデータ） (2023-07-22T08:58:07Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• RECOVER: sequential model optimization platform for combination drug repurposing identifies novel synergistic compounds in vitro [46.773794687622825]
  深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。 モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。 臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
  論文  参考訳（メタデータ） (2022-02-07T02:54:29Z)
• 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)
• Active Deep Learning on Entity Resolution by Risk Sampling [5.219701379581547]
  アクティブラーニング(al)は、モデルトレーニングに有用なデータに焦点を当てた、実現可能なソリューションである。 実体解決のためのリスクサンプリング(ER)の新たなALアプローチを提案する。 ALのコアセット特性に基づいて、非一様連続性によるコアセット損失を最小限に抑える最適化モデルを理論的に導出する。 実データに対する提案手法の有効性を比較検討により実証的に検証した。
  論文  参考訳（メタデータ） (2020-12-23T20:38:25Z)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

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。