論文の概要: A Scalable AI Approach for Clinical Trial Cohort Optimization

• arxiv url: http://arxiv.org/abs/2109.02808v1
• Date: Tue, 7 Sep 2021 01:49:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:52:41.147821
• Title: A Scalable AI Approach for Clinical Trial Cohort Optimization
• Title（参考訳）: 臨床試験コホート最適化のためのスケーラブルAIアプローチ
• Authors: Xiong Liu, Cheng Shi, Uday Deore, Yingbo Wang, Myah Tran, Iya Khalil, Murthy Devarakonda
• Abstract要約: FDAは臨床試験人口の多様性を高めるための入学の慣行を推進してきた。 本稿では,トランスフォーマーに基づく自然言語処理によるコホート最適化(AICO)に対するAIアプローチを提案する。 乳がん治験設計のケーススタディは、臨床試験の一般化性を改善する方法の有用性を実証している。
• 参考スコア（独自算出の注目度）: 6.076017404694899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: FDA has been promoting enrollment practices that could enhance the diversity of clinical trial populations, through broadening eligibility criteria. However, how to broaden eligibility remains a significant challenge. We propose an AI approach to Cohort Optimization (AICO) through transformer-based natural language processing of the eligibility criteria and evaluation of the criteria using real-world data. The method can extract common eligibility criteria variables from a large set of relevant trials and measure the generalizability of trial designs to real-world patients. It overcomes the scalability limits of existing manual methods and enables rapid simulation of eligibility criteria design for a disease of interest. A case study on breast cancer trial design demonstrates the utility of the method in improving trial generalizability.
• Abstract（参考訳）: 米食品医薬品局(FDA)は、資格基準を拡充することで臨床試験人口の多様性を高めるための入学慣行を推進してきた。 しかし、どうやって資格を拡大するかは重要な課題である。 本稿では,自然言語処理による適性基準の変換によるコホート最適化(aico)へのaiアプローチと,実世界データを用いた基準の評価を提案する。 本手法は,多種多様な臨床試験から共通適性基準変数を抽出し,実世界の患者に対する治験設計の一般化可能性を測定する。 既存の手動メソッドのスケーラビリティの限界を克服し、関心のある疾患に対する適性基準設計の迅速なシミュレーションを可能にする。 乳がん治験設計のケーススタディは、臨床試験の一般化性を改善する方法の有用性を示している。

関連論文リスト

• Controlled LLM-based Reasoning for Clinical Trial Retrieval [0.4199844472131922]
  そこで我々は,LSMの能力を拡張するスケーラブルな手法を提案し,医療適性基準のセットに対する推論を体系化する。 提案法はTREC 2022 臨床試験で評価され,最新技術である NDCG@10 の 0.693 と Precision@10 の 0.73 に勝る結果を得た。
  論文  参考訳（メタデータ） (2024-09-19T09:42:33Z)
• 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)
• Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model [0.7373617024876725]
  臨床試験は医薬品の介入を促進するのに不可欠であるが、適格な参加者を選ぶ際にボトルネックに直面している。 構造化されていない医療用テキストの複雑な性質は、参加者を効率的に識別する上での課題である。 本研究では,コホート選択課題に対するプロンプトベース大規模言語モデルの性能評価を目的とした。
  論文  参考訳（メタデータ） (2024-04-24T20:42:28Z)
• Text Classification of Cancer Clinical Trial Eligibility Criteria [3.372747046563984]
  悪性腫瘍,ヒト免疫不全ウイルス,B型肝炎,C型肝炎,精神疾患,薬物・物質乱用,自己免疫疾患の7つの共通排除基準に注目した。 本データセットは,第764相臨床試験からなり,これらの除外は試験レベルでアノテートされる。 以上の結果から,共通排他基準を自動分類できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-09-14T15:59:16Z)
• 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)
• AutoTrial: Prompting Language Models for Clinical Trial Design [53.630479619856516]
  本稿では,言語モデルを用いた臨床検査基準の設計を支援するAutoTrialという手法を提案する。 70K以上の臨床試験で、AutoTrialが高品質な基準テキストを生成することが確認された。
  論文  参考訳（メタデータ） (2023-05-19T01:04:16Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• The Leaf Clinical Trials Corpus: a new resource for query generation from clinical trial eligibility criteria [1.7205106391379026]
  本報告では,1000以上の臨床治験適性基準を記載した人称コーパスであるLeaf Clinical Trials (LCT) corpusを紹介する。 スキーマ、アノテーションプロセス、コーパスの品質、統計の詳細を提供します。
  論文  参考訳（メタデータ） (2022-07-27T19:22:24Z)
• Clinical trial site matching with improved diversity using fair policy learning [56.01170456417214]
  我々は,臨床治験記述を潜在的な試験現場のランクリストにマッピングするモデルを学習する。 既存のフェアネスフレームワークとは異なり、各トライアルサイトのグループメンバーシップは非バイナリである。 このようなマルチグループメンバーシップシナリオに対処するために、人口統計学的妥当性に基づく公平性基準を提案する。
  論文  参考訳（メタデータ） (2022-04-13T16:35:28Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)

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。