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: 処理完了
- 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
- Matching Patients to Clinical Trials with Large Language Models [34.53214032977734]
本稿では,大規模言語モデル(LLM)を用いた新しいアーキテクチャであるTrialGPTを紹介した。
以上より,TrialGPTは184例および18,238例の公用コホートで評価した。
論文 参考訳(メタデータ) (2023-07-27T17:56:56Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-24T07:54:13Z) - Trial2Vec: Zero-Shot Clinical Trial Document Similarity Search using
Self-Supervision [42.859662256134584]
同様の臨床試験に注釈を付けずに自己監督を通じて学習するTrial2Vecを提案する。
臨床試験文書(タイトル、資格基準、対象疾患など)のメタ構造と臨床知識を活用して、コントラスト的なサンプルを自動生成する。
本手法は, 可視化により医療的に解釈可能な埋め込みを実現し, 試行錯誤における最良基準値に対して平均15%の精度向上が得られることを示す。
論文 参考訳(メタデータ) (2022-06-29T15:37:11Z) - 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) - Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。
よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
論文 参考訳(メタデータ) (2020-12-11T16:27:04Z) - Predicting Clinical Trial Results by Implicit Evidence Integration [40.80948875051806]
新規な臨床試験結果予測(CTRP)タスクを導入する。
CTRPフレームワークでは、モデルがPICO形式の臨床試験の提案を受け、その背景を入力として、その結果を予測する。
PICOを暗黙的に含む医学文献から大規模非構造化文を引用し,その結果を証拠とした。
論文 参考訳(メタデータ) (2020-10-12T12:25:41Z) - 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。