論文の概要: Utilizing ChatGPT to Enhance Clinical Trial Enrollment
- arxiv url: http://arxiv.org/abs/2306.02077v1
- Date: Sat, 3 Jun 2023 10:54:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-18 13:16:03.060725
- Title: Utilizing ChatGPT to Enhance Clinical Trial Enrollment
- Title(参考訳): chatgptを用いた臨床試験の充実
- Authors: Georgios Peikos, Symeon Symeonidis, Pranav Kasela, Gabriella Pasi
- Abstract要約: 本稿では,大規模言語モデルであるChatGPTを用いて患者関連情報を非構造化臨床ノートから抽出する自動アプローチを提案する。
2つのベンチマーク検索コレクションで実施した経験的評価では,既存手法と比較して検索性能が向上した。
以上の結果から,ChatGPTを医療サービスの品質を確保し,患者への直接的なリスクを最小限に抑えつつ,臨床治験の増進に活用する可能性が示唆された。
- 参考スコア(独自算出の注目度): 2.3551878971309947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical trials are a critical component of evaluating the effectiveness of
new medical interventions and driving advancements in medical research.
Therefore, timely enrollment of patients is crucial to prevent delays or
premature termination of trials. In this context, Electronic Health Records
(EHRs) have emerged as a valuable tool for identifying and enrolling eligible
participants. In this study, we propose an automated approach that leverages
ChatGPT, a large language model, to extract patient-related information from
unstructured clinical notes and generate search queries for retrieving
potentially eligible clinical trials. Our empirical evaluation, conducted on
two benchmark retrieval collections, shows improved retrieval performance
compared to existing approaches when several general-purposed and task-specific
prompts are used. Notably, ChatGPT-generated queries also outperform
human-generated queries in terms of retrieval performance. These findings
highlight the potential use of ChatGPT to enhance clinical trial enrollment
while ensuring the quality of medical service and minimizing direct risks to
patients.
- Abstract(参考訳): 臨床試験は、新しい医療介入の有効性と医学研究の進歩を評価する上で重要な要素である。
したがって、患者のタイムリー登録は、遅滞や治験の早期終了を防ぐために不可欠である。
この文脈において、Electronic Health Records(EHR)は、資格のある参加者を特定し、登録するための貴重なツールとして登場した。
本研究では,大規模な言語モデルであるchatgptを用いて,非構造化臨床ノートから患者関連情報を抽出し,潜在的に有効な臨床試験を検索するための検索クエリを生成する自動アプローチを提案する。
2つのベンチマーク検索コレクションを用いた経験的評価では,複数の汎用プロンプトとタスク固有プロンプトを用いた場合と比較して検索性能が向上した。
特に、ChatGPT生成クエリは、検索性能において、人間生成クエリよりも優れています。
以上の結果から,ChatGPTを医療サービスの品質を確保し,患者への直接的なリスクを最小限に抑えつつ,臨床治験の増進に活用する可能性が示唆された。
関連論文リスト
- Zero-Shot Clinical Trial Patient Matching with LLMs [42.341575249440346]
大規模言語モデル(LLM)は、自動スクリーニングの有望なソリューションを提供する。
我々は,患者の診療歴を非構造的臨床テキストとして考慮し,その患者が包括的基準を満たしているかどうかを評価するLCMベースのシステムを構築した。
提案システムは,n2c2 2018コホート選択ベンチマークにおいて,最先端のスコアを達成している。
論文 参考訳(メタデータ) (2024-02-05T00:06:08Z) - Automated Scoring of Clinical Patient Notes using Advanced NLP and
Pseudo Labeling [2.711804338865226]
本研究では,最先端自然言語処理(NLP)技術を活用したアプローチを提案する。
提案手法は効率と有効性を向上し,性能を損なうことなくトレーニング時間を著しく短縮する。
論文 参考訳(メタデータ) (2024-01-18T05:17:18Z) - 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) - 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) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳(メタデータ) (2023-03-24T03:14:00Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳(メタデータ) (2023-03-23T04:47:46Z) - Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。
本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。
提案手法により,下流タスクの性能が大幅に向上した。
論文 参考訳(メタデータ) (2023-03-08T03:56:31Z) - Local Explanations for Clinical Search Engine results [6.31241529629348]
エンジンは、知識グラフ、臨床試験データおよび追加の医療資源を使用して、臨床試験から特徴を生成する。
検索した項目ごとに,各項目をランク付け可能な説明可能性スコアを算出する。
医療専門家が検証した実験から,提案手法は対象者だけでなく,非対象者においても信頼を喚起する可能性が示唆された。
論文 参考訳(メタデータ) (2021-10-19T18:48:28Z) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-12-04T06:09:02Z) - A Modern Non-SQL Approach to Radiology-Centric Search Engine Design with
Clinical Validation [0.0]
本稿では,Radiologyの文脈において,文書ベース,セキュア,効率的,高精度な検索エンジンを開発するためのデノボプロセスを提案する。
効率的なデータベースアーキテクチャ、検索能力、臨床思考を活用することで、放射線学者は医療データのパワーを活用する最前線にいる。
論文 参考訳(メタデータ) (2020-07-04T15:21:49Z)
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。