論文の概要: Information Extraction of Clinical Trial Eligibility Criteria
- arxiv url: http://arxiv.org/abs/2006.07296v6
- Date: Tue, 28 Jul 2020 17:50:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 04:19:02.625902
- Title: Information Extraction of Clinical Trial Eligibility Criteria
- Title（参考訳）: 臨床治験資格基準の抽出
- Authors: Yitong Tseo, M. I. Salkola, Ahmed Mohamed, Anuj Kumar, Freddy Abnousi
- Abstract要約: 本稿では, 臨床トライアル(dot)govにおける治験から共有知識ベースへの基準設定のための情報抽出(IE)アプローチについて検討する。
我々は,この問題を新しい知識ベース集団タスクとみなし,機械学習と文脈自由文法を組み合わせたソリューションを実装した。
我々の知る限り、この研究は、名前付きエンティティ認識に注意に基づく条件付きランダムフィールドアーキテクチャを適用した最初の基準抽出システムである。
- 参考スコア（独自算出の注目度）: 6.192164049563104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical trials predicate subject eligibility on a diversity of criteria
ranging from patient demographics to food allergies. Trials post their
requirements as semantically complex, unstructured free-text. Formalizing trial
criteria to a computer-interpretable syntax would facilitate eligibility
determination. In this paper, we investigate an information extraction (IE)
approach for grounding criteria from trials in ClinicalTrials(dot)gov to a
shared knowledge base. We frame the problem as a novel knowledge base
population task, and implement a solution combining machine learning and
context free grammar. To our knowledge, this work is the first criteria
extraction system to apply attention-based conditional random field
architecture for named entity recognition (NER), and word2vec embedding
clustering for named entity linking (NEL). We release the resources and core
components of our system on GitHub at
https://github.com/facebookresearch/Clinical-Trial-Parser. Finally, we report
our per module and end to end performances; we conclude that our system is
competitive with Criteria2Query, which we view as the current state-of-the-art
in criteria extraction.
- Abstract（参考訳）: 臨床試験は、患者の人口統計から食物アレルギーまで幅広い基準に関する対象の適格性を予測している。
試験は、彼らの要求を意味的に複雑で、構造化されていないフリーテキストとして投稿する。
コンピュータ解釈可能な構文へのトライアル基準の形式化は、適性判定を容易にする。
本稿では,臨床試験(dot)govにおける治験から共有知識ベースへの基準を接地するための情報抽出(ie)アプローチについて検討する。
我々は,この問題を新しい知識ベース集団タスクとみなし,機械学習と文脈自由文法を組み合わせたソリューションを実装した。
本研究は,名前付きエンティティ認識(ner)に注意に基づく条件付きランダムフィールドアーキテクチャを適用し,名前付きエンティティリンク(nel)にword2vec埋め込みクラスタリングを適用する最初の基準抽出システムである。
私たちはGitHubで、システムのリソースとコアコンポーネントをhttps://github.com/facebookresearch/Clinical-Trial-Parserでリリースしています。
そして最後に、モジュールごとの性能とエンドツーエンドのパフォーマンスを報告します。我々のシステムは、基準抽出における現在の最先端技術であるCriteria2Queryと競合していると結論付けます。
関連論文リスト
- Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model [0.7373617024876725]
臨床試験は医薬品の介入を促進するのに不可欠であるが、適格な参加者を選ぶ際にボトルネックに直面している。
構造化されていない医療用テキストの複雑な性質は、参加者を効率的に識別する上での課題である。
本研究では,コホート選択課題に対するプロンプトベース大規模言語モデルの性能評価を目的とした。
論文 参考訳（メタデータ） (2024-04-24T20:42:28Z) - AutoTrial: Prompting Language Models for Clinical Trial Design [53.630479619856516]
本稿では,言語モデルを用いた臨床検査基準の設計を支援するAutoTrialという手法を提案する。
70K以上の臨床試験で、AutoTrialが高品質な基準テキストを生成することが確認された。
論文 参考訳（メタデータ） (2023-05-19T01:04:16Z) - IXA/Cogcomp at SemEval-2023 Task 2: Context-enriched Multilingual Named
Entity Recognition using Knowledge Bases [53.054598423181844]
3つのステップからなる新しいNERカスケードアプローチを提案する。
我々は、細粒度および新興物質を正確に分類する上で、外部知識基盤の重要性を実証的に示す。
本システムは,低リソース言語設定においても,マルチコネラ2共有タスクにおいて頑健な性能を示す。
論文 参考訳（メタデータ） (2023-04-20T20:30:34Z) - LeafAI: query generator for clinical cohort discovery rivaling a human
programmer [4.410832512630809]
我々は,データモデルに依存しないクエリを生成するシステムを開発した。
また、複雑な臨床試験の適格性基準に新たな論理的推論能力を提供する。
論文 参考訳（メタデータ） (2023-04-13T00:34:32Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - The Leaf Clinical Trials Corpus: a new resource for query generation
from clinical trial eligibility criteria [1.7205106391379026]
本報告では,1000以上の臨床治験適性基準を記載した人称コーパスであるLeaf Clinical Trials (LCT) corpusを紹介する。
スキーマ、アノテーションプロセス、コーパスの品質、統計の詳細を提供します。
論文 参考訳（メタデータ） (2022-07-27T19:22:24Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z) - Literature Retrieval for Precision Medicine with Neural Matching and
Faceted Summarization [2.978663539080876]
本稿では,ニューラルクエリ文書マッチングとテキスト要約を組み合わせた文書分類手法を提案する。
NISTのTREC-PMトラックデータセットを用いた評価により,本モデルが最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2020-12-17T02:01:32Z) - Robust Benchmarking for Machine Learning of Clinical Entity Extraction [2.9398911304923447]
我々は、最先端システムの性能を監査し、改善の領域を示す。
2019 n2c2共有タスクにおける臨床エンティティ正規化システムに対する高いタスク精度が誤解を招くことが判明した。
臨床組織抽出のためのアノテーションの枠組みを医療用語の不整合因子に再構成する。
論文 参考訳（メタデータ） (2020-07-31T15:14:05Z) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳（メタデータ） (2020-06-15T21:01:33Z) - DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment
Prediction [67.91606509226132]
臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。
DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
論文 参考訳（メタデータ） (2020-01-22T17:51:25Z)
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。