論文の概要: The Leaf Clinical Trials Corpus: a new resource for query generation from clinical trial eligibility criteria

• arxiv url: http://arxiv.org/abs/2207.13757v1
• Date: Wed, 27 Jul 2022 19:22:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-29 12:23:58.218987
• Title: The Leaf Clinical Trials Corpus: a new resource for query generation from clinical trial eligibility criteria
• Title（参考訳）: Leaf Clinical Trials Corpus: 臨床治験適格基準に基づくクエリ生成のための新しいリソース
• Authors: Nicholas J Dobbins, Tony Mullen, Ozlem Uzuner, Meliha Yetisgen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Identifying cohorts of patients based on eligibility criteria such as medical conditions, procedures, and medication use is critical to recruitment for clinical trials. Such criteria are often most naturally described in free-text, using language familiar to clinicians and researchers. In order to identify potential participants at scale, these criteria must first be translated into queries on clinical databases, which can be labor-intensive and error-prone. Natural language processing (NLP) methods offer a potential means of such conversion into database queries automatically. However they must first be trained and evaluated using corpora which capture clinical trials criteria in sufficient detail. In this paper, we introduce the Leaf Clinical Trials (LCT) corpus, a human-annotated corpus of over 1,000 clinical trial eligibility criteria descriptions using highly granular structured labels capturing a range of biomedical phenomena. We provide details of our schema, annotation process, corpus quality, and statistics. Additionally, we present baseline information extraction results on this corpus as benchmarks for future work.
• Abstract（参考訳）: 医療条件, 処置, 薬物使用などの適格基準に基づいて患者のコホートを同定することは, 臨床治験における採用に不可欠である。 このような基準はしばしば、臨床医や研究者に慣れ親しんだ言語を用いて、自由テキストで記述される。 潜在的な参加者を大規模に特定するためには、これらの基準をまず臨床データベース上のクエリに翻訳する必要がある。 自然言語処理(NLP)手法はデータベースクエリに変換する潜在的な手段を提供する。 しかし、まず臨床治験基準を十分に詳細に捉えたコーパスを用いて、訓練と評価をしなければならない。 本稿では,多種多様な生体医学現象を捉えた高粒度構造ラベルを用いて,1000以上の治験適性基準記述の人間注釈コーパスであるleaf clinical trial (lct) corpusを提案する。 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。 さらに,このコーパスのベースライン情報抽出結果を将来の研究のベンチマークとして提示する。

関連論文リスト

• Large Language Models in the Clinic: A Comprehensive Benchmark [63.21278434331952]
  診療所の大規模言語モデル(LLM)をよりよく理解するためのベンチマークであるClimateBenchを構築した。 まず、さまざまな臨床言語の生成、理解、推論タスクを含む11の既存のデータセットを収集します。 次に,現実の実践において複雑だが一般的である6つの新しいデータセットと臨床タスクを構築した。 ゼロショット設定と少数ショット設定の両方で、20個のLDMを広範囲に評価する。
  論文  参考訳（メタデータ） (2024-04-25T15:51:06Z)
• 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)
• 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)
• LeafAI: query generator for clinical cohort discovery rivaling a human programmer [4.410832512630809]
  我々は,データモデルに依存しないクエリを生成するシステムを開発した。 また、複雑な臨床試験の適格性基準に新たな論理的推論能力を提供する。
  論文  参考訳（メタデータ） (2023-04-13T00:34:32Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• 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)
• Benchmarking Automated Clinical Language Simplification: Dataset, Algorithm, and Evaluation [48.87254340298189]
  我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。 我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-04T06:09:02Z)

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。