論文の概要: Attention-Based LSTM Network for COVID-19 Clinical Trial Parsing

• arxiv url: http://arxiv.org/abs/2012.10063v1
• Date: Fri, 18 Dec 2020 05:55:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:25:05.095323
• Title: Attention-Based LSTM Network for COVID-19 Clinical Trial Parsing
• Title（参考訳）: 新型コロナウイルス臨床治験のための注意型LSTMネットワーク
• Authors: Xiong Liu, Luca A. Finelli, Greg L. Hersch, Iya Khalil
• Abstract要約: 注意に基づく双方向長期記憶(Att-BiLSTM)モデルを訓練し、最適なモデルを用いて、新型コロナウイルス臨床試験の適性基準からエンティティを抽出する。 Att-BiLSTMの性能を従来のオントロジー法と比較した。 私たちの分析は、Att-BiLSTMがCOVID-19臨床試験で患者集団を特徴付ける効果的なアプローチであることを示しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: COVID-19 clinical trial design is a critical task in developing therapeutics for the prevention and treatment of COVID-19. In this study, we apply a deep learning approach to extract eligibility criteria variables from COVID-19 trials to enable quantitative analysis of trial design and optimization. Specifically, we train attention-based bidirectional Long Short-Term Memory (Att-BiLSTM) models and use the optimal model to extract entities (i.e., variables) from the eligibility criteria of COVID-19 trials. We compare the performance of Att-BiLSTM with traditional ontology-based method. The result on a benchmark dataset shows that Att-BiLSTM outperforms the ontology model. Att-BiLSTM achieves a precision of 0.942, recall of 0.810, and F1 of 0.871, while the ontology model only achieves a precision of 0.715, recall of 0.659, and F1 of 0.686. Our analyses demonstrate that Att-BiLSTM is an effective approach for characterizing patient populations in COVID-19 clinical trials.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の予防と治療のための治療を開発する上で、臨床試験のデザインは重要な課題である。 本研究では, 試験設計と最適化の定量的分析を可能にするために, 新型コロナウイルスの治験から資格基準変数を抽出する深層学習手法を適用した。 具体的には,注意に基づく双方向長期短期記憶モデル(att-bilstm)を訓練し,その最適モデルを用いてcovid-19臨床試験の適格性基準から実体(変数)を抽出する。 Att-BiLSTMの性能を従来のオントロジー法と比較した。 ベンチマークデータセットの結果から、Att-BiLSTMはオントロジーモデルよりも優れています。 Att-BiLSTMは0.942の精度、0.810のリコール、0.871のF1の精度、オントロジーモデルは0.715の精度、0.659のリコール、0.686のF1の精度しか達成していない。 Att-BiLSTMは, 新型コロナウイルスの臨床試験において, 患者を特徴付けるための効果的なアプローチである。

関連論文リスト

• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis Using Sequential Multisequence MRI [0.0]
  多発性硬化症(MS)患者のMRIにおける各時点の時系列的関連性についてLSTMモデルを用いて検討した。 我々の仮説は、量子モデルは競争力のある性能を提供するというものである。
  論文  参考訳（メタデータ） (2024-01-22T17:14:47Z)
• Symptom-based Machine Learning Models for the Early Detection of COVID-19: A Narrative Review [0.0]
  機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。 本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。 また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
  論文  参考訳（メタデータ） (2023-12-08T01:41:42Z)
• 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)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
  クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。 本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-07T01:13:00Z)
• COVID-19 Cough Classification using Machine Learning and Global Smartphone Recordings [6.441511459132334]
  本稿では、スマートフォン上で記録された新型コロナウイルス陰性および健康性の両方から、新型コロナウイルス陽性を識別できる機械学習ベースのコークス分類器を提案する。 この種のスクリーニングは非接触で容易に適用でき、テストセンターでの負荷軽減や送信制限に役立つ。
  論文  参考訳（メタデータ） (2020-12-02T13:35:42Z)
• Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic Stroke Onset Time [7.024121839235693]
  急性期虚血性脳卒中(AIS)の治療は, 脳卒中発症以降の経過に大きく左右される。 原因不明のTSS患者に対する最近の臨床ガイドラインでは、MRIを用いて血栓溶解の適性を決定することが推奨されているが、放射線学的評価は読取者間の多様性が高い。 臨床的に検証された閾値に基づいて,MRI拡散系列を利用した深層学習モデルを用いてTSSを分類する。
  論文  参考訳（メタデータ） (2020-11-05T18:28:54Z)
• Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound Image Analysis [7.471424290647929]
  われわれは106本のビデオからなる新型コロナウイルスの肺超音波(US)データセットを公開している。 我々は、フレームベースの畳み込みニューラルネットワークを提案し、COVID-19 USビデオの感度0.98+0.04、特異度0.91+-08で正しく分類する。
  論文  参考訳（メタデータ） (2020-09-13T23:52:03Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。