論文の概要: Towards Fair Patient-Trial Matching via Patient-Criterion Level Fairness
Constraint
- arxiv url: http://arxiv.org/abs/2303.13790v1
- Date: Fri, 24 Mar 2023 03:59:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 15:56:28.559861
- Title: Towards Fair Patient-Trial Matching via Patient-Criterion Level Fairness
Constraint
- Title(参考訳): 患者レベルの公正度制約による公正な患者・Trial Matchingに向けて
- Authors: Chia-Yuan Chang, Jiayi Yuan, Sirui Ding, Qiaoyu Tan, Kai Zhang,
Xiaoqian Jiang, Xia Hu, Na Zou
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 50.35075018041199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical trials are indispensable in developing new treatments, but they face
obstacles in patient recruitment and retention, hindering the enrollment of
necessary participants. To tackle these challenges, deep learning frameworks
have been created to match patients to trials. These frameworks calculate the
similarity between patients and clinical trial eligibility criteria,
considering the discrepancy between inclusion and exclusion criteria. Recent
studies have shown that these frameworks outperform earlier approaches.
However, deep learning models may raise fairness issues in patient-trial
matching when certain sensitive groups of individuals are underrepresented in
clinical trials, leading to incomplete or inaccurate data and potential harm.
To tackle the issue of fairness, this work proposes a fair patient-trial
matching framework by generating a patient-criterion level fairness constraint.
The proposed framework considers the inconsistency between the embedding of
inclusion and exclusion criteria among patients of different sensitive groups.
The experimental results on real-world patient-trial and patient-criterion
matching tasks demonstrate that the proposed framework can successfully
alleviate the predictions that tend to be biased.
- Abstract(参考訳): 臨床試験は新しい治療法の開発には欠かせないが、患者の採用と維持の障害に直面し、必要な参加者の受け入れを妨げる。
これらの課題に対処するために、患者と試行にマッチするディープラーニングフレームワークが開発された。
これらの枠組みは, 受け入れ基準と除外基準の相違を考慮し, 臨床治験適格基準と患者の類似性を計算する。
最近の研究では、これらのフレームワークは以前のアプローチよりも優れていることが示されている。
しかし、深層学習モデルは、臨床試験において特定の敏感な個人の集団が不足している場合に、患者と臨床のマッチングにおいて公平性の問題を引き起こす可能性がある。
本研究は,公平性の問題に対処するために,患者基準レベルの公正性制約を発生させることにより,公正な患者と法廷のマッチングフレームワークを提案する。
本研究の枠組みは,異なる敏感群群における包摂の埋め込みと排除基準の矛盾を考察したものである。
実世界の患者-心房および患者-基準のマッチングタスクにおける実験結果から,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されている。
関連論文リスト
- A Flexible Framework for Incorporating Patient Preferences Into
Q-Learning [1.2891210250935146]
現実の医療問題では、治療効果や副作用の重症度など、多くの競合する結果がしばしば存在する。
動的治療体制(DTR)を推定するための統計的手法は、通常、単一の関心の結果を仮定する。
これには、単一時点の制限と2つの結果、自己報告された患者の嗜好を組み込むことができないこと、理論的な保証が制限されていることが含まれる。
論文 参考訳(メタデータ) (2023-07-22T08:58:07Z) - 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) - 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) - An Empirical Characterization of Fair Machine Learning For Clinical Risk
Prediction [7.945729033499554]
臨床的意思決定を導くための機械学習の使用は、既存の健康格差を悪化させる可能性がある。
近年のいくつかの研究は、この問題をアルゴリズム的公正(英語版)の問題と位置づけている。
我々は,グループフェアネス違反の罰則がモデル性能とグループフェアネスの一連の尺度に与える影響を実験的に評価する。
論文 参考訳(メタデータ) (2020-07-20T17:46:31Z) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳(メタデータ) (2020-06-15T21:01:33Z) - 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。