論文の概要: SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning

• arxiv url: http://arxiv.org/abs/2304.05352v1
• Date: Fri, 7 Apr 2023 23:04:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-04-12 14:08:17.439817
• Title: SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning
• Title（参考訳）: SPOT:メタラーニングによる臨床試験結果の逐次予測モデル
• Authors: Zifeng Wang and Cao Xiao and Jimeng Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.8195828626489
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical trials are essential to drug development but time-consuming, costly, and prone to failure. Accurate trial outcome prediction based on historical trial data promises better trial investment decisions and more trial success. Existing trial outcome prediction models were not designed to model the relations among similar trials, capture the progression of features and designs of similar trials, or address the skewness of trial data which causes inferior performance for less common trials. To fill the gap and provide accurate trial outcome prediction, we propose Sequential Predictive mOdeling of clinical Trial outcome (SPOT) that first identifies trial topics to cluster the multi-sourced trial data into relevant trial topics. It then generates trial embeddings and organizes them by topic and time to create clinical trial sequences. With the consideration of each trial sequence as a task, it uses a meta-learning strategy to achieve a point where the model can rapidly adapt to new tasks with minimal updates. In particular, the topic discovery module enables a deeper understanding of the underlying structure of the data, while sequential learning captures the evolution of trial designs and outcomes. This results in predictions that are not only more accurate but also more interpretable, taking into account the temporal patterns and unique characteristics of each trial topic. We demonstrate that SPOT wins over the prior methods by a significant margin on trial outcome benchmark data: with a 21.5\% lift on phase I, an 8.9\% lift on phase II, and a 5.5\% lift on phase III trials in the metric of the area under precision-recall curve (PR-AUC).
• Abstract（参考訳）: 臨床試験は薬物開発に不可欠であるが、時間がかかり、費用がかかり、失敗しやすい。 過去の試用データに基づく正確な試用結果予測は、より良い試用投資決定とより多くの試用成功を約束する。 既存の試行結果予測モデルは、類似の試行間の関係をモデル化したり、類似の試行の特徴や設計の進歩を捉えたり、より少ない試行において性能の低下を引き起こす試行データの難しさに対処するために設計されたものではない。 このギャップを埋め、正確な臨床試験結果予測を提供するために、まず臨床試験トピックを識別し、マルチソーストライアル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SPOT(Sequential Predictive mOdeling of Clinical Trial outcome)を提案する。 その後、臨床試験の埋め込みを生成し、トピックと時間でそれらを整理して臨床試験のシーケンスを作成する。 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。 特に、トピックディスカバリモジュールはデータの基盤構造をより深く理解することができ、シーケンシャルラーニングは試行的な設計と結果の進化を捉えている。 この結果は、各試行トピックの時間パターンとユニークな特徴を考慮して、より正確であるだけでなく、より解釈しやすい予測をもたらす。 第i相の21.5\%リフト、第ii相の8.9\%リフト、第iii相のトライアルの5.5\%リフト、精度・リコール曲線(pr-auc)のメートル法において、spotが以前の方法よりも大きなマージンで勝っていることを実証した。

関連論文リスト

• Can artificial intelligence predict clinical trial outcomes? [5.326858857564308]
  本研究では,大言語モデル(LLM)の臨床試験結果の予測能力について検討した。 我々は、バランスの取れた精度、特異性、リコール、マシューズ相関係数(MCC)などの指標を用いてモデルの性能を比較する。 高い複雑さを特徴とする腫瘍学の試行は、全てのモデルで難しいままである。
  論文  参考訳（メタデータ） (2024-11-26T17:05:27Z)
• TrialSynth: Generation of Synthetic Sequential Clinical Trial Data [21.799655542003677]
  変動オートエンコーダ(VAE)は、合成時系列臨床試験データを生成する際の課題に対処するために設計された。 実験の結果,Trial Synthは他の同等の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-09-11T08:20:30Z)
• CTP-LLM: Clinical Trial Phase Transition Prediction Using Large Language Models [5.4315728770105185]
  臨床治験結果予測 (CTOP) を試験設計文書を用いて検討し, 相転移を自動的に予測する。 GPT-3.5-based model (CTP-LLM) は,ヒトに選択された特徴を必要とせず,試験のオリジナルプロトコルテキストを解析することにより臨床治験相転移を予測する。
  論文  参考訳（メタデータ） (2024-08-20T16:43:05Z)
• 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)
• Language Interaction Network for Clinical Trial Approval Estimation [37.60098683485169]
  本稿では,言語相互作用ネットワーク(LINT, Language Interaction Network)について紹介する。 臨床治験の3段階にわたって厳格にLINTを試験し,ROC-AUCスコアは0.770,0.740,0.748となった。
  論文  参考訳（メタデータ） (2024-04-26T14:50:59Z)
• TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction [19.084936647082632]
  マルチモーダルデータを用いて臨床試験期間を推定する機械学習に基づくTrialDuraを提案する。 バイオメディカルコンテキストに特化されたBio-BERT埋め込みにエンコードして,より深く,より関連するセマンティック理解を提供する。 提案モデルでは, 平均絶対誤差(MAE)が1.04年, 根平均二乗誤差(RMSE)が1.39年であった。
  論文  参考訳（メタデータ） (2024-04-20T02:12:59Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Fine-Tuning Pretrained Language Models: Weight Initializations, Data Orders, and Early Stopping [62.78338049381917]
  教師付き下流タスクのための微調整済み文脈単語埋め込みモデルは、自然言語処理において一般的なものとなっている。 GLUEベンチマークから得られた4つのデータセットを実験し、無作為な種だけを変えながら、それぞれに数百回微調整されたBERTを実験した。 これまでに報告した結果と比較すると,性能が大幅に向上し,微調整試行回数の関数としてベストファウンドモデルの性能がどう変化するかが定量化される。
  論文  参考訳（メタデータ） (2020-02-15T02:40:10Z)

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。