論文の概要: A data science approach to drug safety: Semantic and visual mining of
adverse drug events from clinical trials of pain treatments
- arxiv url: http://arxiv.org/abs/2006.16910v2
- Date: Sat, 17 Apr 2021 12:25:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 05:19:01.603740
- Title: A data science approach to drug safety: Semantic and visual mining of
adverse drug events from clinical trials of pain treatments
- Title（参考訳）: 薬物安全性へのデータサイエンス的アプローチ:鎮痛治療の臨床試験による有害薬物事象のセマンティックおよび視覚的マイニング
- Authors: Jean-Baptiste Lamy
- Abstract要約: 本稿では,臨床治験中に報告された安全事象を解析し,登録簿に掲載するプラットフォームを提案する。
このプラットフォームは、痛みの治療に関する582の治験を含む、オントロジモデルに基づいている。
また、26次元のフラワーグリフを使用して、13のカテゴリと2つの深刻なレベルにおいて、ADE(Adverse Drug Events)レートを視覚化する。
- 参考スコア（独自算出の注目度）: 4.454557728745762
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clinical trials are the basis of Evidence-Based Medicine. Trial results are
reviewed by experts and consensus panels for producing meta-analyses and
clinical practice guidelines. However, reviewing these results is a long and
tedious task, hence the meta-analyses and guidelines are not updated each time
a new trial is published. Moreover, the independence of experts may be
difficult to appraise. On the contrary, in many other domains, including
medical risk analysis, the advent of data science, big data and visual
analytics allowed moving from expert-based to fact-based knowledge. Since 12
years, many trial results are publicly available online in trial registries.
Nevertheless, data science methods have not yet been applied widely to trial
data. In this paper, we present a platform for analyzing the safety events
reported during clinical trials and published in trial registries. This
platform is based on an ontological model including 582 trials on pain
treatments, and uses semantic web technologies for querying this dataset at
various levels of granularity. It also relies on a 26-dimensional flower glyph
for the visualization of the Adverse Drug Events (ADE) rates in 13 categories
and 2 levels of seriousness. We illustrate the interest of this platform
through several use cases and we were able to find back conclusions that were
initially found during meta-analyses. The platform was presented to four
experts in drug safety, and is publicly available online, with the ontology of
pain treatment ADE.
- Abstract（参考訳）: 臨床試験は証拠に基づく医学の基礎である。
メタアナリシスと臨床実践ガイドラインを作成するための専門家やコンセンサスパネルによって試験結果がレビューされる。
しかし、これらの結果のレビューは長くて面倒な作業なので、新しいトライアルが発行されるたびにメタ分析とガイドラインは更新されない。
また、専門家の独立性は評価が難しい場合もある。
それとは対照的に、医療リスク分析を含む他の多くの領域では、データサイエンス、ビッグデータ、ビジュアルアナリティクスの出現により、専門家ベースから事実ベースの知識への移行が可能になった。
12年後、多くの試験結果が公募登録で公開されている。
それでも、データサイエンスの手法はまだ試行データに広く適用されていない。
本稿では,臨床試験中に報告された安全事象を解析し,登録簿に掲載するプラットフォームを提案する。
このプラットフォームは、痛治療に関する582回の試行を含むオントロジモデルに基づいており、さまざまなレベルの粒度でデータセットをクエリするためにセマンティックweb技術を使用している。
また、26次元のフラワーグリフを用いて、13のカテゴリと2レベルの重大さで有害薬物事象(ade)を可視化する。
このプラットフォームの関心をいくつかのユースケースを通じて説明し、メタ分析で最初に見つかった結論を見出すことができた。
このプラットフォームは薬物安全性の専門家4人に提供され、ADEの痛み治療のオントロジーとともにオンラインで公開されている。
関連論文リスト
- TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction [19.084936647082632]
マルチモーダルデータを用いて臨床試験期間を推定する機械学習に基づくTrialDuraを提案する。
バイオメディカルコンテキストに特化されたBio-BERT埋め込みにエンコードして,より深く,より関連するセマンティック理解を提供する。
提案モデルでは, 平均絶対誤差(MAE)が1.04年, 根平均二乗誤差(RMSE)が1.39年であった。
論文 参考訳（メタデータ） (2024-04-20T02:12:59Z) - De-identification of clinical free text using natural language
processing: A systematic review of current approaches [48.343430343213896]
自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。
本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
論文 参考訳（メタデータ） (2023-11-28T13:20:41Z) - Leveraging text data for causal inference using electronic health records [1.4182510510164876]
本稿では,電子健康データによる因果推論を支援するためにテキストデータを活用する統一的なフレームワークを提案する。
従来のマッチング分析にテキストデータを組み込むことで、推定処理効果の妥当性を高めることができることを示す。
これらの手法は、臨床データの二次解析範囲を、構造化ERHデータに制限された領域にまで広げる可能性があると考えている。
論文 参考訳（メタデータ） (2023-06-09T16:06:02Z) - Survey on Adversarial Attack and Defense for Medical Image Analysis: Methods and Challenges [64.63744409431001]
医療画像解析における敵攻撃・防衛の進歩に関する総合的な調査を報告する。
公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2023-03-24T16:38:58Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Clinical trial site matching with improved diversity using fair policy
learning [56.01170456417214]
我々は,臨床治験記述を潜在的な試験現場のランクリストにマッピングするモデルを学習する。
既存のフェアネスフレームワークとは異なり、各トライアルサイトのグループメンバーシップは非バイナリである。
このようなマルチグループメンバーシップシナリオに対処するために、人口統計学的妥当性に基づく公平性基準を提案する。
論文 参考訳（メタデータ） (2022-04-13T16:35:28Z) - Multimodal Machine Learning in Precision Health [10.068890037410316]
本総説は, この分野を要約し, 今後の研究に欠かせない話題を特定するものである。
コンテンツ分析と文献検索を組み合わせて,2011年から2021年にかけてPubMed, Google Scholar, IEEEXploreの検索文字列とデータベースを構築した。
情報融合の最も一般的な形態は、初期の融合であり、特に、異種データ融合を行う予測性能の改善があった。
論文 参考訳（メタデータ） (2022-04-10T21:56:07Z) - Heterogeneous Treatment Effect Estimation using machine learning for
Healthcare application: tutorial and benchmark [8.869515663374248]
多くの研究が、薬物効果は人口間で不均一であることを示した。
ヘテロジニアス処理効果(HTE)を推定する高度な機械学習モデルが近年出現している。
我々は,医療分野にHTE手法を導入し,実現可能性を検討することを目的とする。
論文 参考訳（メタデータ） (2021-09-27T02:34:44Z) - 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)
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。