論文の概要: Clinical trial site matching with improved diversity using fair policy
learning
- arxiv url: http://arxiv.org/abs/2204.06501v1
- Date: Wed, 13 Apr 2022 16:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 15:17:12.102453
- Title: Clinical trial site matching with improved diversity using fair policy
learning
- Title（参考訳）: 公正政策学習による多様性向上と整合した臨床試験サイト
- Authors: Rakshith S Srinivasa, Cheng Qian, Brandon Theodorou, Jeffrey Spaeder,
Cao Xiao, Lucas Glass, Jimeng Sun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 56.01170456417214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ongoing pandemic has highlighted the importance of reliable and efficient
clinical trials in healthcare. Trial sites, where the trials are conducted, are
chosen mainly based on feasibility in terms of medical expertise and access to
a large group of patients. More recently, the issue of diversity and inclusion
in clinical trials is gaining importance. Different patient groups may
experience the effects of a medical drug/ treatment differently and hence need
to be included in the clinical trials. These groups could be based on
ethnicity, co-morbidities, age, or economic factors. Thus, designing a method
for trial site selection that accounts for both feasibility and diversity is a
crucial and urgent goal. In this paper, we formulate this problem as a ranking
problem with fairness constraints. Using principles of fairness in machine
learning, we learn a model that maps a clinical trial description to a ranked
list of potential trial sites. Unlike existing fairness frameworks, the group
membership of each trial site is non-binary: each trial site may have access to
patients from multiple groups. We propose fairness criteria based on
demographic parity to address such a multi-group membership scenario. We test
our method on 480 real-world clinical trials and show that our model results in
a list of potential trial sites that provides access to a diverse set of
patients while also ensuing a high number of enrolled patients.
- Abstract（参考訳）: パンデミックは、医療における信頼性と効率的な臨床試験の重要性を強調している。
臨床試験が行われる試験場は、主に医療の専門知識と大規模な患者グループへのアクセスの観点から、実現可能性に基づいて選択される。
近年,臨床試験における多様性と包括性の問題の重要性が高まっている。
異なる患者群は、異なる医療薬や治療の効果を経験し得るため、臨床試験に含める必要がある。
これらの集団は民族、共生、年齢、経済的要因に基づいていた。
したがって、実現可能性と多様性の両方を考慮に入れた試験的サイト選択の手法を設計することが重要かつ緊急の目標である。
本稿では,この問題を公平性制約付きランキング問題として定式化する。
機械学習における公正性の原理を用いて、臨床試験の記述を潜在的な試験現場のリストにマップするモデルを学ぶ。
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り、各トライアルサイトは複数のグループから患者にアクセスすることができる。
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、人口動態の公平度基準を提案する。
本手法を実世界の480の臨床試験で検証し,本モデルが多種多様な患者へのアクセスを提供するとともに,多種多様な患者を対象とする試験施設のリストを作成した。
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) - 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) - Improving Patient Pre-screening for Clinical Trials: Assisting
Physicians with Large Language Models [0.0]
LLM(Large Language Models)は臨床情報抽出や臨床推論に有効であることが示されている。
本稿では,患者の総合的医療プロファイルに基づく臨床治験の適性判定に医師を支援するために,インストラクションGPTを用いることを検討した。
論文 参考訳（メタデータ） (2023-04-14T21:19:46Z) - Towards Fair Patient-Trial Matching via Patient-Criterion Level Fairness
Constraint [50.35075018041199]
本研究は,患者基準値の公正度制約を発生させることにより,公正な患者間マッチングの枠組みを提案する。
実世界における患者基準と患者基準の整合性に関する実験結果から,提案手法が偏りやすい予測を効果的に緩和できることが示唆された。
論文 参考訳（メタデータ） (2023-03-24T03:59:19Z) - 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) - Patient Aware Active Learning for Fine-Grained OCT Classification [12.89552245538411]
本稿では,アクティブラーニングのサンプル選択プロセスに臨床知見を取り入れたフレームワークを提案する。
医学的に解釈可能な能動学習フレームワークは, OCT分類の性能向上のために, 患者から多彩な疾患の徴候を捉えている。
論文 参考訳（メタデータ） (2022-06-23T05:47:51Z) - Multi-disciplinary fairness considerations in machine learning for
clinical trials [43.00377806138086]
本研究は, 臨床試験, すなわち, 人体を用いた医療評価研究に焦点をあてる。
本研究の目的は,臨床試験研究と実践の文脈において,機械学習の公平性がどのように適合するかを,複数の学際評価することである。
論文 参考訳（メタデータ） (2022-05-18T11:59:22Z) - 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。
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。