論文の概要: BioDEX: Large-Scale Biomedical Adverse Drug Event Extraction for Real-World Pharmacovigilance

• arxiv url: http://arxiv.org/abs/2305.13395v2
• Date: Fri, 20 Oct 2023 15:51:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 07:53:08.289096
• Title: BioDEX: Large-Scale Biomedical Adverse Drug Event Extraction for Real-World Pharmacovigilance
• Title（参考訳）: BioDEX: リアルタイム薬局用大規模バイオメディカル逆薬イベント抽出
• Authors: Karel D'Oosterlinck, Fran\c{c}ois Remy, Johannes Deleu, Thomas Demeester, Chris Develder, Klim Zaporojets, Aneiss Ghodsi, Simon Ellershaw, Jack Collins, Christopher Potts
• Abstract要約: バイオメディカルな有害薬物イベント抽出のための大規模資源であるBioDEXを紹介する。 本研究は,本論文からレポートのコア情報を予測する作業について考察する。 人間のパフォーマンスは72.0% F1と見積もっていますが、私たちの最高のモデルは62.3% F1です。
• 参考スコア（独自算出の注目度）: 26.88690084623426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely and accurate extraction of Adverse Drug Events (ADE) from biomedical literature is paramount for public safety, but involves slow and costly manual labor. We set out to improve drug safety monitoring (pharmacovigilance, PV) through the use of Natural Language Processing (NLP). We introduce BioDEX, a large-scale resource for Biomedical adverse Drug Event Extraction, rooted in the historical output of drug safety reporting in the U.S. BioDEX consists of 65k abstracts and 19k full-text biomedical papers with 256k associated document-level safety reports created by medical experts. The core features of these reports include the reported weight, age, and biological sex of a patient, a set of drugs taken by the patient, the drug dosages, the reactions experienced, and whether the reaction was life threatening. In this work, we consider the task of predicting the core information of the report given its originating paper. We estimate human performance to be 72.0% F1, whereas our best model achieves 62.3% F1, indicating significant headroom on this task. We also begin to explore ways in which these models could help professional PV reviewers. Our code and data are available: https://github.com/KarelDO/BioDEX.
• Abstract（参考訳）: バイオメディカル文献からの逆薬物イベント(ADE)のタイムリーかつ正確な抽出は、公共の安全にとって最重要であるが、遅くてコストのかかる手作業が伴う。 我々は,自然言語処理(nlp)を用いた薬剤安全性モニタリング(薬剤運転,pv)の改善に着手した。 米国における薬物安全報告の歴史的アウトプットに根ざした生物医学的有害薬物イベント抽出のための大規模リソースであるbiodexを紹介する。biodexは、医療専門家が作成した文書レベル安全性レポート256kと関連した、65kの要約と19kのフルテキストの生物医学論文からなる。 これらの報告の中核的な特徴は、患者の体重、年齢、生物学的性、患者が服用した薬物のセット、薬物の服用、経験した反応、そしてその反応が生命を脅かしているかどうかである。 本研究は,その発刊論文に基づいて,報告書のコア情報を予測する作業について検討する。 人間のパフォーマンスを72.0% F1と見積もる一方、我々の最良のモデルでは62.3% F1を達成しており、このタスクのかなりのヘッドルームを示している。 また、これらのモデルがプロのPVレビュアーを助ける方法を探求し始めています。 私たちのコードとデータは、https://github.com/KarelDO/BioDEX.comで利用可能です。

関連論文リスト

• "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques [2.2874754079405535]
  本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。 収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
  論文  参考訳（メタデータ） (2024-04-09T08:42:34Z)
• LLaVA-Med: Training a Large Language-and-Vision Assistant for Biomedicine in One Day [85.19963303642427]
  本稿では,バイオメディカルイメージのオープンな研究課題に答えられる視覚言語対話アシスタントを訓練するための費用効率のよいアプローチを提案する。 モデルはまず、フィギュア・キャプションのペアを使ってバイオメディカル・ボキャブラリをアライメントし、その後、オープンエンドの会話意味論を習得する。 これにより、バイオメディジンのための大規模言語と視覚アシスタントを15時間以内で(8つのA100で)訓練することができる。
  論文  参考訳（メタデータ） (2023-06-01T16:50:07Z)
• Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
  本稿では,Re$3$Writer法を提案する。 本手法が患者の退院指示生成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:34:39Z)
• PHEE: A Dataset for Pharmacovigilance Event Extraction from Text [42.365919892504415]
  PHEEは、医療事例報告と生物医学文献から5000以上の注釈付きイベントを含む、薬物移動のための新しいデータセットである。 患者の人口統計,治療,および(側)効果に関する粗くきめ細かな情報を提供するために設計された階層型イベントスキーマについて述べる。
  論文  参考訳（メタデータ） (2022-10-22T21:57:42Z)
• BioGPT: Generative Pre-trained Transformer for Biomedical Text Generation and Mining [140.61707108174247]
  本稿では,大規模生物医学文献に基づいて事前学習したドメイン固有生成型トランスフォーマー言語モデルであるBioGPTを提案する。 BC5CDRでは44.98%、38.42%、40.76%のF1スコア、KD-DTIとDDIの関係抽出タスクでは78.2%、PubMedQAでは78.2%の精度が得られた。
  論文  参考訳（メタデータ） (2022-10-19T07:17:39Z)
• Filter Drug-induced Liver Injury Literature with Natural Language Processing and Ensemble Learning [0.0]
  薬物性肝障害 (DILI) は、肝臓を損傷する薬物の副作用である。 重度DILI症例では肝不全や死亡などの生命予後も報告された。 過去の出版物からのデータ抽出は手動ラベリングに大きく依存している。 バイオメディカルテキストの自動処理を可能にする人工知能の最近の進歩
  論文  参考訳（メタデータ） (2022-03-09T23:53:07Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• R-BERT-CNN: Drug-target interactions extraction from biomedical literature [1.8814209805277506]
  薬物プロットタスクのBioCreative VIIへの参加について紹介する。 薬物-標的相互作用(DTI)は、薬物の発見と再資源化に重要である。 PubMedには32万件のバイオメディカル記事があり、このような膨大な知識ベースからDTIを手作業で抽出することは困難である。
  論文  参考訳（メタデータ） (2021-10-31T22:50:33Z)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• Biomedical Information Extraction for Disease Gene Prioritization [0.34998703934432673]
  本稿では,テキストから生物関係を抽出するバイオメディカル情報抽出パイプラインを提案する。 本研究では,タンパク質-タンパク質相互作用(PPI)を抽出し,それらの抽出をバイオメディカル知識グラフに拡張するために,数千万のPubMed抽象体に適用する。 確立された構造化されたソースからのPPIをすでに含んでいるにもかかわらず、IEベースのグラフへの抽出を拡大することで、新しい疾患遺伝子関連を予測し、hit@30の20%の相対的な増加を予測できることが示されている。
  論文  参考訳（メタデータ） (2020-11-10T15:38:42Z)

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。