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
- 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) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Estimating average causal effects from patient trajectories [18.87912848546951]
医療実践においては、患者の結果に期待される因果効果に基づいて治療が選択される。
本稿では,時間とともに収集される観察データ(患者軌跡)から平均因果効果(ACE)を推定することを目的とする。
論文 参考訳(メタデータ) (2022-03-02T16:45:19Z) - 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) - A causal learning framework for the analysis and interpretation of
COVID-19 clinical data [7.256237785391623]
ワークフローは、BSLを通じて患者の結果の主な原因を特定する、多段階のアプローチから成り立っている。
特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。
対象者の85%の結果を3つの特徴のみに基づいて正確に予測する手法を考案した。
論文 参考訳(メタデータ) (2021-05-14T15:58:18Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Network Medicine Framework for Identifying Drug Repurposing
Opportunities for COVID-19 [6.7410870290301]
現在のパンデミックは、SARS-CoV-2感染の潜在的な効果のために、迅速かつ確実に臨床承認された化合物を優先順位付けできる方法の必要性を強調している。
ここでは,人工知能,ネットワーク拡散,ネットワーク近接に頼ったアルゴリズムをデプロイし,SARS-CoV-2に対する効果を期待して,それぞれ6,340の薬物をランク付けする。
ほとんどのアルゴリズムは、これらの基底真理データに対して予測力を提供するが、すべてのデータセットやメトリクスに対して一貫した信頼性のある結果を提供する方法は存在しない。
論文 参考訳(メタデータ) (2020-04-15T17:40:29Z)
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。