論文の概要: Understanding Clinical Trial Reports: Extracting Medical Entities and
Their Relations
- arxiv url: http://arxiv.org/abs/2010.03550v3
- Date: Fri, 7 Jan 2022 19:23:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 23:30:18.444971
- Title: Understanding Clinical Trial Reports: Extracting Medical Entities and
Their Relations
- Title(参考訳): 臨床トライアルレポートの理解:医療機関の抽出とその関連性
- Authors: Benjamin E. Nye, Jay DeYoung, Eric Lehman, Ani Nenkova, Iain J.
Marshall, Byron C. Wallace
- Abstract要約: 医療専門家は、意思決定を知らせるために、手動で記事から情報を取り出す必要がある。
本研究は, (a) 臨床試験を記載した全文記事から治療結果と成果を抽出し, (b) 後者に関して, 前者に対して報告された結果の推測を行うことの両目的について考察する。
- 参考スコア(独自算出の注目度): 33.30381080306156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The best evidence concerning comparative treatment effectiveness comes from
clinical trials, the results of which are reported in unstructured articles.
Medical experts must manually extract information from articles to inform
decision-making, which is time-consuming and expensive. Here we consider the
end-to-end task of both (a) extracting treatments and outcomes from full-text
articles describing clinical trials (entity identification) and, (b) inferring
the reported results for the former with respect to the latter (relation
extraction). We introduce new data for this task, and evaluate models that have
recently achieved state-of-the-art results on similar tasks in Natural Language
Processing. We then propose a new method motivated by how trial results are
typically presented that outperforms these purely data-driven baselines.
Finally, we run a fielded evaluation of the model with a non-profit seeking to
identify existing drugs that might be re-purposed for cancer, showing the
potential utility of end-to-end evidence extraction systems.
- Abstract(参考訳): 比較治療の有効性に関する最良の証拠は臨床試験から得られ、その結果は未構造化の記事で報告されている。
医療専門家は手動で意思決定に関する情報を抽出しなければならない。
ここでは、両方のエンドツーエンドタスクについて考察する。
(a)臨床試験(個人識別)を記載した全文記事から治療と成果を抽出すること、及び
(b)後者について前者について報告された結果を推測する(関係抽出)。
そこで本研究では,自然言語処理における類似課題について最新の結果を得たモデルを評価する。
次に,実験結果が純粋にデータ駆動ベースラインより優れていることを示す方法を提案する。
最後に,本モデルの評価を,がんに対して再目的を果たす可能性のある既存薬剤の特定を目指す非営利団体と共同で実施し,エンド・ツー・エンドのエビデンス抽出システムの有用性を示す。
関連論文リスト
- Interpretable Medical Diagnostics with Structured Data Extraction by
Large Language Models [59.89454513692417]
タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。
本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。
本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-08T09:12:28Z) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳(メタデータ) (2023-05-30T22:05:11Z) - Jointly Extracting Interventions, Outcomes, and Findings from RCT
Reports with LLMs [21.868871974136884]
本研究では,命令調整型大規模言語モデルに基づくテキスト・テキスト・モデルの提案と評価を行う。
我々は,2022年中頃に公開されたRCTのコレクションにモデルを適用し,構造化された結果の検索可能なデータベースをリリースする。
論文 参考訳(メタデータ) (2023-05-05T16:02:06Z) - Predicting Intervention Approval in Clinical Trials through
Multi-Document Summarization [0.30458514384586405]
臨床試験における介入の有効性を予測するための新しい手法を提案する。
本手法は,研究中の介入に関する文献から,複数の資料から情報的要約を生成することに依存している。
論文 参考訳(メタデータ) (2022-04-01T08:45:39Z) - Assessment of contextualised representations in detecting outcome
phrases in clinical trials [14.584741378279316]
本稿では,300 PubMed の要約を専門的に注釈付けしたデータセット "EBM-COMET" を紹介する。
結果の抽出には,事前学習した文脈表現を微調整する。
ベストモデル(BioBERT)は81.5%のF1、81.3%の感度、98.0%の特異性を達成している。
論文 参考訳(メタデータ) (2022-02-13T15:08:00Z) - 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) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Text Mining to Identify and Extract Novel Disease Treatments From
Unstructured Datasets [56.38623317907416]
Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。
次に、テキストを体系的に前処理するためのパイプラインを構築します。
我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
論文 参考訳(メタデータ) (2020-10-22T19:52:49Z) - Trialstreamer: Mapping and Browsing Medical Evidence in Real-Time [35.15631358690484]
臨床治験報告のデータベースであるTrialstreamerを紹介する。
このシステムでは、被験者の記載、各腕で比較した治療、測定結果について抽出する。
個々の試行を要約することに加えて、これらの抽出されたデータ要素は、同じトピックに関する多くの試行で結果の自動合成を可能にする。
論文 参考訳(メタデータ) (2020-05-21T19:32:04Z) - Evidence Inference 2.0: More Data, Better Models [22.53884716373888]
Evidence Inferenceデータセットは、この目的に向けた研究を促進するために最近リリースされた。
本稿では、エビデンス推論データセットを25%拡張するための追加アノテーションを収集する。
新しいベースラインと評価のための更新されたコーパス、ドキュメント、コードはhttp://evidence-inference.ebm-nlp.com/で公開されている。
論文 参考訳(メタデータ) (2020-05-08T17:16:35Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳(メタデータ) (2020-01-21T10:16:33Z)
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。