論文の概要: Predicting Clinical Trial Results by Implicit Evidence Integration
- arxiv url: http://arxiv.org/abs/2010.05639v1
- Date: Mon, 12 Oct 2020 12:25:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 05:59:02.959745
- Title: Predicting Clinical Trial Results by Implicit Evidence Integration
- Title（参考訳）: 暗黙的エビデンス統合による臨床試験結果の予測
- Authors: Qiao Jin, Chuanqi Tan, Mosha Chen, Xiaozhong Liu, Songfang Huang
- Abstract要約: 新規な臨床試験結果予測(CTRP)タスクを導入する。
CTRPフレームワークでは、モデルがPICO形式の臨床試験の提案を受け、その背景を入力として、その結果を予測する。
PICOを暗黙的に含む医学文献から大規模非構造化文を引用し,その結果を証拠とした。
- 参考スコア（独自算出の注目度）: 40.80948875051806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical trials provide essential guidance for practicing Evidence-Based
Medicine, though often accompanying with unendurable costs and risks. To
optimize the design of clinical trials, we introduce a novel Clinical Trial
Result Prediction (CTRP) task. In the CTRP framework, a model takes a
PICO-formatted clinical trial proposal with its background as input and
predicts the result, i.e. how the Intervention group compares with the
Comparison group in terms of the measured Outcome in the studied Population.
While structured clinical evidence is prohibitively expensive for manual
collection, we exploit large-scale unstructured sentences from medical
literature that implicitly contain PICOs and results as evidence. Specifically,
we pre-train a model to predict the disentangled results from such implicit
evidence and fine-tune the model with limited data on the downstream datasets.
Experiments on the benchmark Evidence Integration dataset show that the
proposed model outperforms the baselines by large margins, e.g., with a 10.7%
relative gain over BioBERT in macro-F1. Moreover, the performance improvement
is also validated on another dataset composed of clinical trials related to
COVID-19.
- Abstract（参考訳）: 臨床試験はエビデンスベースの医療を実践するための必須のガイダンスを提供するが、しばしば不適切なコストとリスクを伴う。
臨床試験の設計を最適化するために,新しい臨床試験結果予測(CTRP)タスクを導入する。
ctrpフレームワークにおいて、モデルは、その背景を入力としてpico形式の臨床試験提案を受け取り、その結果を予測し、すなわち、研究人口における測定結果の観点から、介入群が比較群とどのように比較するかを予測する。
構造化された臨床証拠は手作業による採集には極めて高価であるが,PICOを暗黙的に含む医学文献からの大規模非構造化文を証拠として活用する。
具体的には、このような暗黙の証拠から不連続な結果を予測するモデルを事前学習し、下流のデータセットに関する限られたデータでモデルを微調整する。
ベンチマークのEvidence Integrationデータセットの実験では、提案されたモデルは、例えばマクロF1におけるBioBERTよりも10.7%の上昇率でベースラインを上回っている。
さらに、covid-19に関連する臨床試験からなる別のデータセットでも、パフォーマンス改善が検証される。
関連論文リスト
- Automatically Labeling $200B Life-Saving Datasets: A Large Clinical Trial Outcome Benchmark [24.663798850232588]
本稿では,約479Kの治験結果データセットであるCTOデータセットについて紹介する。
CTOのラベルは、監督されたTOPデータセットのテスト分割から、監督された臨床試験結果ラベルと91 F1で前例のない合意を示している。
論文 参考訳（メタデータ） (2024-06-13T04:23:35Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with
Meta-Learning [67.8195828626489]
臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。
本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。
タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
論文 参考訳（メタデータ） (2023-04-07T23:04:27Z) - A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data
for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。
そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。
また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
論文 参考訳（メタデータ） (2022-08-09T03:49:52Z) - Pragmatic Clinical Trials in the Rubric of Structural Causal Models [1.1049608786515839]
プラグマティック臨床試験(PCT)は、説明研究と観察研究の中間に位置する。
構造因果モデル(SCM)によるPCTの標準化された表現はまだ確立されていない。
構造因果モデル(SCM)のルーリック下でのPCTの一般化表現を提案する。
論文 参考訳（メタデータ） (2022-04-28T21:12:38Z) - TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of
Clinical Trials [0.0]
我々はCT.gov, AACT, TrialTroveデータベースから収集した治験データセット(n=1191臨床試験、100万人の患者を代表する)を紹介する。
次に,グラフ機械学習アルゴリズムの数学的基礎と実装について詳述する。
我々はこれらのモデルを用いて、疾患、既往の医療状況、治療に関する情報を与えられた臨床試験の副作用情報を予測する訓練を行った。
論文 参考訳（メタデータ） (2021-12-15T15:36:57Z) - Improving Early Sepsis Prediction with Multi Modal Learning [5.129463113166068]
臨床テキストは、敗血症の重症度を推定するために必要な情報を提供する。
Amazon Comprehend MedicalではBERTのような最先端のNLPモデルと高度に専門化されたNLPモデルを用いてテキストを表現している。
本手法は, セプシス予測のためのPhystoNet Computing in Cardiology Challengeの勝利モデルとともに, 専門医であるqSOFAが提案する臨床基準を著しく上回っている。
論文 参考訳（メタデータ） (2021-07-23T09:25:31Z) - 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) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳（メタデータ） (2020-07-15T09:22:55Z)
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。