論文の概要: Predicting Intervention Approval in Clinical Trials through Multi-Document Summarization

• arxiv url: http://arxiv.org/abs/2204.00290v1
• Date: Fri, 1 Apr 2022 08:45:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-04 13:59:31.447603
• Title: Predicting Intervention Approval in Clinical Trials through Multi-Document Summarization
• Title（参考訳）: 多文書要約による臨床試験における介入承認の予測
• Authors: Georgios Katsimpras, Georgios Paliouras
• Abstract要約: 臨床試験における介入の有効性を予測するための新しい手法を提案する。 本手法は,研究中の介入に関する文献から,複数の資料から情報的要約を生成することに依存している。
• 参考スコア（独自算出の注目度）: 0.30458514384586405
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clinical trials offer a fundamental opportunity to discover new treatments and advance the medical knowledge. However, the uncertainty of the outcome of a trial can lead to unforeseen costs and setbacks. In this study, we propose a new method to predict the effectiveness of an intervention in a clinical trial. Our method relies on generating an informative summary from multiple documents available in the literature about the intervention under study. Specifically, our method first gathers all the abstracts of PubMed articles related to the intervention. Then, an evidence sentence, which conveys information about the effectiveness of the intervention, is extracted automatically from each abstract. Based on the set of evidence sentences extracted from the abstracts, a short summary about the intervention is constructed. Finally, the produced summaries are used to train a BERT-based classifier, in order to infer the effectiveness of an intervention. To evaluate our proposed method, we introduce a new dataset which is a collection of clinical trials together with their associated PubMed articles. Our experiments, demonstrate the effectiveness of producing short informative summaries and using them to predict the effectiveness of an intervention.
• Abstract（参考訳）: 臨床試験は、新しい治療法を発見し、医療知識を前進させる基本的な機会を提供する。 しかし、裁判の結果の不確実性は、予期せぬコストと挫折につながる可能性がある。 本研究では,臨床試験における介入の有効性を予測する新しい方法を提案する。 本手法は,研究中の介入に関する文献から,複数の資料から情報的要約を生成することに依存する。 具体的には、まず、介入に関連するPubMed記事の要約を収集する。 そして、各要約から、介入の有効性に関する情報を伝達する証拠文を自動的に抽出する。 要約から抽出された証拠文の集合に基づき、介入に関する簡単な要約を構築する。 最後に、生成した要約を用いてBERTベースの分類器を訓練し、介入の有効性を推測する。 提案手法を評価するために,臨床実験のコレクションである新しいデータセットと関連するPubMed記事を紹介する。 本実験は,短い情報要約を作成し,介入の有効性を予測するための有効性を示すものである。

関連論文リスト

• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Distinguishing Transformative from Incremental Clinical Evidence: A Classifier of Clinical Research using Textual features from Abstracts and Citing Sentences [1.3135234328352885]
  臨床研究においては、特定の疾患管理のための現在のケア基準を、ある研究が変更するか、単にサポートしているだけなのかを知ることが重要である。 本研究では, 段階的臨床証拠と変質的臨床証拠を区別する機械学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-24T08:35:18Z)
• Sent2Span: Span Detection for PICO Extraction in the Biomedical Text without Span Annotations [17.480599429324155]
  臨床試験記事からの人口、介入、比較、アウトカム(PICO)情報は、体系的なレビューに自動的に治験を割り当てる効果的な方法であるかもしれない。 本稿では,クラウドソース型文レベルのアノテーションのみを用いたPICOスパン検出手法を提案する。 2つのデータセットの実験により、PICOのスパン検出結果が完全に教師付きされた手法よりもはるかに高いリコール結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-09-06T06:14:49Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Understanding Clinical Trial Reports: Extracting Medical Entities and Their Relations [33.30381080306156]
  医療専門家は、意思決定を知らせるために、手動で記事から情報を取り出す必要がある。 本研究は, (a) 臨床試験を記載した全文記事から治療結果と成果を抽出し, (b) 後者に関して, 前者に対して報告された結果の推測を行うことの両目的について考察する。
  論文  参考訳（メタデータ） (2020-10-07T17:50:58Z)
• Generating (Factual?) Narrative Summaries of RCTs: Experiments with Neural Multi-Document Summarization [22.611879349101596]
  系統的なレビューから,関連記事の要約を抽象的に要約するために,現代のニューラルモデルを評価する。 現代の要約システムは一貫して流動的で関連するシナプスを生み出すが、必ずしも現実的とは限らない。
  論文  参考訳（メタデータ） (2020-08-25T22:22:50Z)
• Medical Instrument Detection in Ultrasound-Guided Interventions: A Review [74.22397862400177]
  本稿では,超音波ガイド下手術における医療機器検出法について概説する。 まず,従来の非データ駆動手法とデータ駆動手法を含む計器検出手法について概説する。 本研究は, 麻酔, 生検, 前立腺切断療法, 心臓カテーテル治療など, 超音波における医療機器検出の主な臨床応用について論じる。
  論文  参考訳（メタデータ） (2020-07-09T13:50:18Z)
• Trialstreamer: Mapping and Browsing Medical Evidence in Real-Time [35.15631358690484]
  臨床治験報告のデータベースであるTrialstreamerを紹介する。 このシステムでは、被験者の記載、各腕で比較した治療、測定結果について抽出する。 個々の試行を要約することに加えて、これらの抽出されたデータ要素は、同じトピックに関する多くの試行で結果の自動合成を可能にする。
  論文  参考訳（メタデータ） (2020-05-21T19:32:04Z)

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。