論文の概要: SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with
Drug Combinations and Heterogeneous Patient Groups
- arxiv url: http://arxiv.org/abs/2101.10998v1
- Date: Tue, 26 Jan 2021 18:59:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 20:00:46.259566
- Title: SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with
Drug Combinations and Heterogeneous Patient Groups
- Title（参考訳）: SDF-Bayes : 薬物併用と異種患者グループによる安全な服用試験における注意深い最適化
- Authors: Hyun-Suk Lee, Cong Shen, William Zame, Jang-Won Lee, Mihaela van der
Schaar
- Abstract要約: 本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。
SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。
合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
- 参考スコア（独自算出の注目度）: 84.63561578944183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phase I clinical trials are designed to test the safety (non-toxicity) of
drugs and find the maximum tolerated dose (MTD). This task becomes
significantly more challenging when multiple-drug dose-combinations (DC) are
involved, due to the inherent conflict between the exponentially increasing DC
candidates and the limited patient budget. This paper proposes a novel Bayesian
design, SDF-Bayes, for finding the MTD for drug combinations in the presence of
safety constraints. Rather than the conventional principle of escalating or
de-escalating the current dose of one drug (perhaps alternating between drugs),
SDF-Bayes proceeds by cautious optimism: it chooses the next DC that, on the
basis of current information, is most likely to be the MTD (optimism), subject
to the constraint that it only chooses DCs that have a high probability of
being safe (caution). We also propose an extension, SDF-Bayes-AR, that accounts
for patient heterogeneity and enables heterogeneous patient recruitment.
Extensive experiments based on both synthetic and real-world datasets
demonstrate the advantages of SDF-Bayes over state of the art DC trial designs
in terms of accuracy and safety.
- Abstract（参考訳）: 第I相臨床試験は、薬物の安全性(非毒性)を検査し、最大許容量(MTD)を求めるように設計されている。
この課題は、指数関数的に増加するDC候補と限られた患者予算との間に固有の対立があるため、多剤併用(DC)が関与する場合、さらに困難になる。
本論文では,安全制約下での薬物併用のためのMTD探索のためのベイジアン設計である SDF-Bayes を提案する。
sdf-bayesは、現在の薬物の服用量をエスカレートまたは脱エスカレートする従来の原則ではなく、注意深い楽観主義によって進行する: 現在の情報に基づいて、安全である確率の高いdcを選択すること(注意)という制約のもと、最もmtd(最適化)になる可能性が高い次のdcを選択する(最適化)。
また,患者の不均一性を考慮した拡張型sdf-bayes-arを提案する。
合成と実世界の両方のデータセットに基づく大規模な実験は、精度と安全性の観点から、アートDCトライアル設計の状況に対するSDF-Bayesの利点を実証している。
関連論文リスト
- Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。
MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。
総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文 参考訳（メタデータ） (2022-03-28T05:44:29Z) - SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。
ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文 参考訳（メタデータ） (2021-05-05T00:20:48Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳（メタデータ） (2021-02-09T04:05:19Z) - DTI-SNNFRA: Drug-Target interaction prediction by shared nearest
neighbors and fuzzy-rough approximation [0.0]
DTI-SNNFRA(DTI-SNNFRA)を提案する。
ROC-AUCの予測スコアは0.95と非常に良好である。
論文 参考訳（メタデータ） (2020-09-22T19:10:10Z) - Learning for Dose Allocation in Adaptive Clinical Trials with Safety
Constraints [84.09488581365484]
新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。
最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。
本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
論文 参考訳（メタデータ） (2020-06-09T03:06:45Z) - Drug-Drug Interaction Prediction with Wasserstein Adversarial
Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。
本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。
判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
論文 参考訳（メタデータ） (2020-04-15T21:03:29Z) - Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。
残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
論文 参考訳（メタデータ） (2020-01-08T11:46:48Z)
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。