論文の概要: Artificial Intelligence for In Silico Clinical Trials: A Review

• arxiv url: http://arxiv.org/abs/2209.09023v1
• Date: Fri, 16 Sep 2022 14:59:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 17:06:51.836759
• Title: Artificial Intelligence for In Silico Clinical Trials: A Review
• Title（参考訳）: In Silico臨床試験のための人工知能: レビュー
• Authors: Zifeng Wang, Chufan Gao, Lucas M. Glass, Jimeng Sun
• Abstract要約: サイリコ臨床試験(英:silico trial)は、シミュレーションとモデリングを通じてデジタル的に行われる臨床試験である。 本稿では,臨床シミュレーション,個別化予測モデル,コンピュータ支援トライアルデザインの3つの主要なトピックで論文を体系的にレビューする。
• 参考スコア（独自算出の注目度）: 41.85196749088317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A clinical trial is an essential step in drug development, which is often costly and time-consuming. In silico trials are clinical trials conducted digitally through simulation and modeling as an alternative to traditional clinical trials. AI-enabled in silico trials can increase the case group size by creating virtual cohorts as controls. In addition, it also enables automation and optimization of trial design and predicts the trial success rate. This article systematically reviews papers under three main topics: clinical simulation, individualized predictive modeling, and computer-aided trial design. We focus on how machine learning (ML) may be applied in these applications. In particular, we present the machine learning problem formulation and available data sources for each task. We end with discussing the challenges and opportunities of AI for in silico trials in real-world applications.
• Abstract（参考訳）: 臨床試験は、しばしば費用と時間を要する薬物開発において重要なステップである。 シリコの臨床試験は、従来の臨床試験の代替としてシミュレーションとモデリングによってデジタル的に行われる臨床試験である。 silicoの試行でaiを利用すると、仮想コホートをコントロールとして作成することでケースグループのサイズを増加できる。 さらに、試行設計の自動化と最適化を可能にし、試行成功率を予測する。 本稿では, 臨床シミュレーション, 個人化予測モデリング, コンピュータ支援試験設計の3つの主トピックに基づく論文を体系的にレビューする。 機械学習(ML)がこれらのアプリケーションにどのように適用されるかに焦点を当てる。 特に,各タスクの機械学習問題定式化と利用可能なデータソースについて述べる。 私たちは、現実世界のアプリケーションにおけるサイリコトライアルにおけるAIの課題と機会について議論します。

関連論文リスト

• Establishing Rigorous and Cost-effective Clinical Trials for Artificial Intelligence Models [18.240773244542474]
  人工知能(AI)と医学における臨床実践の間には大きなギャップが残っている。 最先端および最先端のAIモデル評価は、医療データセットの研究室研究や、患者中心または患者中心のコントロールを持たない直接臨床試験に限られる。 臨床実習におけるAIモデルの厳格かつ費用対効果評価手法の重要性を初めて強調する。
  論文  参考訳（メタデータ） (2024-07-11T14:37:08Z)
• 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)
• PRISM: Patient Records Interpretation for Semantic Clinical Trial Matching using Large Language Models [4.438101430231511]
  本報告では,実世界のERHを用いた臨床治験の大規模評価について述べる。 本研究は, LLMsが適切な臨床試験で患者に正確に適合する能力を示すものである。
  論文  参考訳（メタデータ） (2024-04-23T22:33:19Z)
• ClinicalAgent: Clinical Trial Multi-Agent System with Large Language Model-based Reasoning [16.04933261211837]
  大規模言語モデル(LLM)とマルチエージェントシステムは、自然言語処理において顕著な能力を示しているが、臨床試験では課題に直面している。 臨床用マルチエージェントシステムである臨床エージェントシステム(ClinicalAgent)について紹介する。
  論文  参考訳（メタデータ） (2024-04-23T06:30:53Z)
• Scaling Clinical Trial Matching Using Large Language Models: A Case Study in Oncology [17.214664001970526]
  大規模言語モデル(LLM)を用いた臨床治験マッチングのスケーリングに関する系統的研究を行う。 本研究は、米国の大規模医療ネットワークにおいて、現在試験展開中の臨床試験マッチングシステムに基礎を置いている。
  論文  参考訳（メタデータ） (2023-08-04T07:51:15Z)
• PyTrial: Machine Learning Software and Benchmark for Clinical Trial Applications [49.69824178329405]
  PyTrialは、臨床試験の設計と運用のための一連の機械学習アルゴリズムのベンチマークとオープンソース実装を提供する。 患者結果予測,臨床試験サイト選択,トライアル結果予測,患者と臨床のマッチング,トライアル類似性検索,合成データ生成など,6つのタスクにわたる臨床試験のための34のMLアルゴリズムを網羅的に検討した。 PyTrialは、データローディング、モデル仕様、モデルトレーニング、モデル評価という、単純な4段階のプロセスで各タスクを定義します。
  論文  参考訳（メタデータ） (2023-06-06T21:19:03Z)
• 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)
• 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)
• 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)

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。