Fugu-MT 論文翻訳(概要): A Machine Learning Approach for Recruitment Prediction in Clinical Trial Design

論文の概要: A Machine Learning Approach for Recruitment Prediction in Clinical Trial Design

arxiv url: http://arxiv.org/abs/2111.07407v1
Date: Sun, 14 Nov 2021 18:24:11 GMT
ステータス: 処理完了
システム内更新日: 2021-11-16 14:59:05.027171
Title: A Machine Learning Approach for Recruitment Prediction in Clinical Trial Design
Title（参考訳）: 臨床試験設計におけるリクルート予測のための機械学習アプローチ
Authors: Jingshu Liu, Patricia J Allen, Luke Benz, Daniel Blickstein, Evon Okidi, Xiao Shi
Abstract要約: 本研究は,臨床試験場において1カ月あたりの入院患者数を予測するための機械学習手法について検討した。これらの手法は,現在の業界標準で見られる誤りを低減し,さらなる改善の機会を提案できることを示す。
参考スコア（独自算出の注目度）: 2.534053759586253
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Significant advancements have been made in recent years to optimize patient recruitment for clinical trials, however, improved methods for patient recruitment prediction are needed to support trial site selection and to estimate appropriate enrollment timelines in the trial design stage. In this paper, using data from thousands of historical clinical trials, we explore machine learning methods to predict the number of patients enrolled per month at a clinical trial site over the course of a trial's enrollment duration. We show that these methods can reduce the error that is observed with current industry standards and propose opportunities for further improvement.
Abstract（参考訳）: 近年,治験における患者採用の最適化が目覚ましい進歩を遂げているが,治験現場選択支援や治験設計段階における適切な登録タイムラインの推定には,患者採用予測の改善が必要である。本稿では, 数千の歴史的臨床試験から得られたデータを用いて, 臨床試験場において臨床試験期間を通じて, 月間登録患者数を予測する機械学習手法について検討する。これらの手法は,現在の業界標準で観測される誤差を低減し,さらなる改善の機会を提案する。

関連論文リスト

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)
Panacea: A foundation model for clinical trial search, summarization, design, and recruitment [29.099676641424384]
パナセアという臨床試験基盤モデルを提案する。 Panaceaは、トライアル検索、トライアル要約、トライアルデザイン、患者と臨床のマッチングなど、複数のタスクを扱うように設計されている。 793,279のトライアル文書と1,113,207のトライアル関連科学論文からなる、TrialAlignという大規模なデータセットも収集しました。
論文参考訳（メタデータ） (2024-06-25T21:29:25Z)
TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction [19.084936647082632]
マルチモーダルデータを用いて臨床試験期間を推定する機械学習に基づくTrialDuraを提案する。バイオメディカルコンテキストに特化されたBio-BERT埋め込みにエンコードして,より深く,より関連するセマンティック理解を提供する。提案モデルでは, 平均絶対誤差(MAE)が1.04年, 根平均二乗誤差(RMSE)が1.39年であった。
論文参考訳（メタデータ） (2024-04-20T02:12:59Z)
Assessing the impact of emergency department short stay units using length-of-stay prediction and discrete event simulation [1.0822676139724565]
救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
論文参考訳（メタデータ） (2023-08-04T22:26:02Z)
Utilizing ChatGPT to Enhance Clinical Trial Enrollment [2.3551878971309947]
本稿では,大規模言語モデルであるChatGPTを用いて患者関連情報を非構造化臨床ノートから抽出する自動アプローチを提案する。 2つのベンチマーク検索コレクションで実施した経験的評価では,既存手法と比較して検索性能が向上した。以上の結果から,ChatGPTを医療サービスの品質を確保し,患者への直接的なリスクを最小限に抑えつつ,臨床治験の増進に活用する可能性が示唆された。
論文参考訳（メタデータ） (2023-06-03T10:54:23Z)
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)
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)
Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文参考訳（メタデータ） (2021-10-22T15:03:20Z)
Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文参考訳（メタデータ） (2020-12-24T05:19:03Z)
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。