論文の概要: HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data

• arxiv url: http://arxiv.org/abs/2102.04252v1
• Date: Mon, 8 Feb 2021 15:09:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:53:26.713533
• Title: HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data
• Title（参考訳）: ヒント: webデータを活用した試行結果予測のための階層的インタラクションネットワーク
• Authors: Tianfan Fu, Kexin Huang, Cao Xiao, Lucas M. Glass, Jimeng Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.53715632642495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical trials are crucial for drug development but are time consuming, expensive, and often burdensome on patients. More importantly, clinical trials face uncertain outcomes due to issues with efficacy, safety, or problems with patient recruitment. If we were better at predicting the results of clinical trials, we could avoid having to run trials that will inevitably fail more resources could be devoted to trials that are likely to succeed. In this paper, we propose Hierarchical INteraction Network (HINT) for more general, clinical trial outcome predictions for all diseases based on a comprehensive and diverse set of web data including molecule information of the drugs, target disease information, trial protocol and biomedical knowledge. HINT first encode these multi-modal data into latent embeddings, where an imputation module is designed to handle missing data. Next, these embeddings will be fed into the knowledge embedding module to generate knowledge embeddings that are pretrained using external knowledge on pharmaco-kinetic properties and trial risk from the web. Then the interaction graph module will connect all the embedding via domain knowledge to fully capture various trial components and their complex relations as well as their influences on trial outcomes. Finally, HINT learns a dynamic attentive graph neural network to predict trial outcome. Comprehensive experimental results show that HINT achieves strong predictive performance, obtaining 0.772, 0.607, 0.623, 0.703 on PR-AUC for Phase I, II, III, and indication outcome prediction, respectively. It also consistently outperforms the best baseline method by up to 12.4\% on PR-AUC.
• Abstract（参考訳）: 臨床試験は薬物開発に欠かせないが、時間がかかり、高価であり、しばしば患者に負担がかかる。 さらに重要なのは、臨床試験は、有効性、安全性、または患者の採用に関する問題による不確実な結果に直面します。 臨床試験の結果を予測するのがうまくいけば、必然的に失敗する試験を実行しなくてはならなくなり、成功しそうな試験にもっと多くのリソースを費やすことができます。 本稿では, 薬物の分子情報, 標的疾患情報, 治験プロトコル, 生体医学的知識を含む包括的かつ多様なwebデータをもとに, 全疾患に対するより汎用的な治験成果予測のための階層的相互作用ネットワーク (hint) を提案する。 HINTはまず、これらのマルチモーダルデータを潜入埋め込みにエンコードします。 次に、これらの埋め込みを知識埋め込みモジュールに入力し、外的薬物動態特性に関する知識とWebからの試行リスクを用いて事前訓練された知識埋め込みを生成する。 次に、相互作用グラフモジュールは、ドメイン知識を介してすべての埋め込みを接続し、様々なトライアルコンポーネントとその複雑な関係をフルに把握し、トライアル結果に影響を及ぼす。 最後に、ヒントは動的注意グラフニューラルネットワークを学習し、試行結果を予測する。 総合実験の結果,HINTは0.772,0.607,0.623,0.703の位相I,II,IIIのPR-AUCと適応結果予測をそれぞれ実現した。 また、PR-AUCで最高のベースライン法を12.4\%まで一貫して上回る。

関連論文リスト

• Can artificial intelligence predict clinical trial outcomes? [5.326858857564308]
  本研究では,大言語モデル(LLM)の臨床試験結果の予測能力について検討した。 我々は、バランスの取れた精度、特異性、リコール、マシューズ相関係数(MCC)などの指標を用いてモデルの性能を比較する。 高い複雑さを特徴とする腫瘍学の試行は、全てのモデルで難しいままである。
  論文  参考訳（メタデータ） (2024-11-26T17:05:27Z)
• 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)
• 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)
• Language Interaction Network for Clinical Trial Approval Estimation [37.60098683485169]
  本稿では,言語相互作用ネットワーク(LINT, Language Interaction Network)について紹介する。 臨床治験の3段階にわたって厳格にLINTを試験し,ROC-AUCスコアは0.770,0.740,0.748となった。
  論文  参考訳（メタデータ） (2024-04-26T14:50:59Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• 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)
• Modular multi-source prediction of drug side-effects with DruGNN [3.229607826010618]
  薬物副作用(DSE)は公衆衛生、医療システムコスト、薬物発見プロセスに高い影響を与える。 それらの発生を予測するためには、異種源からのデータを統合する必要がある。 この研究において、そのような異種データはグラフデータセットに統合され、異なるエンティティ間の関係情報を表現的に表現する。 グラフニューラルネットワーク(GNN)は、データセット上のDSEを非常に有望な結果で予測するために利用される。
  論文  参考訳（メタデータ） (2022-02-15T09:41:05Z)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)

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。