論文の概要: PyTrial: A Comprehensive Platform for Artificial Intelligence for Drug
Development
- arxiv url: http://arxiv.org/abs/2306.04018v1
- Date: Tue, 6 Jun 2023 21:19:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 17:08:11.414631
- Title: PyTrial: A Comprehensive Platform for Artificial Intelligence for Drug
Development
- Title（参考訳）: PyTrial: 医薬品開発のための総合的な人工知能プラットフォーム
- Authors: Zifeng Wang and Brandon Theodorou and Tianfan Fu and Cao Xiao and
Jimeng Sun
- Abstract要約: PyTrialは、AIアルゴリズムでサポートされている様々な臨床試験タスクを実装するPythonパッケージである。
患者結果予測、トライアルサイト選択、トライアル結果予測、患者と臨床のマッチング、トライアル類似性検索、および合成データ生成を実装している。
PyTrialは、統一されたAPI、詳細なドキュメント、事前処理されたベンチマークデータによるインタラクティブな例として特徴付けられる。
- 参考スコア（独自算出の注目度）: 55.37717196816842
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Drug development is a complex process that aims to test the efficacy and
safety of candidate drugs in the human body for regulatory approval via
clinical trials. Recently, machine learning has emerged as a vital tool for
drug development, offering new opportunities to improve the efficiency and
success rates of the process. To facilitate the research and development of
artificial intelligence (AI) for drug development, we developed a Python
package, namely PyTrial, that implements various clinical trial tasks supported
by AI algorithms.
To be specific, PyTrial implements 6 essential drug development tasks,
including patient outcome prediction, trial site selection, trial outcome
prediction, patient-trial matching, trial similarity search, and synthetic data
generation. In PyTrial, all tasks are defined by four steps: load data, model
definition, model training, and model evaluation, which can be done with a
couple of lines of code. In addition, the modular API design allows
practitioners to extend the framework to new algorithms and tasks easily.
PyTrial is featured for a unified API, detailed documentation, and
interactive examples with preprocessed benchmark data for all implemented
algorithms. This package can be installed through Python Package Index (PyPI)
and is publicly available at https://github.com/RyanWangZf/PyTrial.
- Abstract（参考訳）: 薬物開発は、臨床試験による規制承認のために人体における候補薬物の有効性と安全性をテストするための複雑なプロセスである。
近年、機械学習は薬物開発に不可欠なツールとして登場し、プロセスの効率と成功率を改善する新しい機会を提供している。
医薬品開発のための人工知能(AI)の研究・開発を容易にするため,我々はPyTrialと呼ばれるPythonパッケージを開発し,AIアルゴリズムがサポートする様々な臨床試験タスクを実装した。
具体的に言うと、pytrialは患者結果予測、試用サイト選択、試用結果予測、患者と臨床試験のマッチング、試用類似性検索、合成データ生成を含む6つの必須薬物開発タスクを実行している。
PyTrialでは、すべてのタスクは、ロードデータ、モデル定義、モデルトレーニング、モデル評価の4つのステップで定義されます。
さらに、モジュラーapi設計により、実践者はフレームワークを新しいアルゴリズムやタスクに簡単に拡張できる。
pytrialは統合api、詳細なドキュメント、すべての実装アルゴリズムのベンチマークデータを前処理したインタラクティブな例で機能する。
このパッケージはPython Package Index (PyPI)経由でインストールでき、https://github.com/RyanWangZf/PyTrial.comで公開されている。
関連論文リスト
- Can Large Language Models Replace Data Scientists in Clinical Research? [28.211990967264818]
我々は293個の実世界のデータサイエンスコーディングタスクからなるデータセットを開発する。
このデータセットは患者データを用いて現実的な臨床研究シナリオをシミュレートする。
我々は、医療専門家のためのデータサイエンスワークフローに、大きな言語モデルを統合するプラットフォームを開発する。
論文 参考訳（メタデータ） (2024-10-28T22:48:06Z) - Harmonising the Clinical Melody: Tuning Large Language Models for Hospital Course Summarisation in Clinical Coding [5.279406017862076]
病院のコースをまとめることの課題は、さらなる研究と開発のためのオープンな領域のままである。
Llama 3, BioMistral, Mistral Instruct v0.1 の3種類のプレトレーニング LLM を病院コース要約作業に適用した。
臨床領域の微調整の有効性を評価するため,BERTScoreおよびROUGE測定値を用いて微調整モデルの評価を行った。
論文 参考訳（メタデータ） (2024-09-23T00:35:23Z) - 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) - Yet Another ICU Benchmark: A Flexible Multi-Center Framework for Clinical ML [0.7982607013768545]
Another ICU Benchmark (YAIB) は、再現性と同等の臨床ML実験を定義するためのモジュラーフレームワークである。
YAIBは、ほとんどのオープンアクセスICUデータセット(MIMIC III/IV、eICU、HiRID、AUMCdb)をサポートし、将来のICUデータセットに容易に適応できる。
データセットの選択,コホート定義,前処理が予測性能に大きな影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2023-06-08T11:16:20Z) - Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review
and Replicability Study [60.56194508762205]
我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。
その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。
再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
論文 参考訳（メタデータ） (2023-04-21T11:54:44Z) - SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with
Meta-Learning [67.8195828626489]
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。
論文 参考訳（メタデータ） (2023-04-07T23:04:27Z) - Artificial Intelligence for In Silico Clinical Trials: A Review [41.85196749088317]
サイリコ臨床試験(英:silico trial)は、シミュレーションとモデリングを通じてデジタル的に行われる臨床試験である。
本稿では,臨床シミュレーション,個別化予測モデル,コンピュータ支援トライアルデザインの3つの主要なトピックで論文を体系的にレビューする。
論文 参考訳（メタデータ） (2022-09-16T14:59:31Z) - PosePipe: Open-Source Human Pose Estimation Pipeline for Clinical
Research [0.0]
我々は臨床現場で取得したデータに対して最先端のアルゴリズムの実行を容易にする人間のポーズ推定パイプラインを開発する。
本研究の目的は,新しいアルゴリズムの訓練ではなく,臨床・翻訳研究における最先端のポーズ推定アルゴリズムの活用を推し進めることである。
論文 参考訳（メタデータ） (2022-03-16T17:54:37Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z) - Active learning for medical code assignment [55.99831806138029]
臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。
MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。
その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
論文 参考訳（メタデータ） (2021-04-12T18:11:17Z)
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。