論文の概要: Effective Matching of Patients to Clinical Trials using Entity Extraction and Neural Re-ranking

• arxiv url: http://arxiv.org/abs/2307.00381v1
• Date: Sat, 1 Jul 2023 16:42:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 16:24:48.800681
• Title: Effective Matching of Patients to Clinical Trials using Entity Extraction and Neural Re-ranking
• Title（参考訳）: エンティティ抽出と神経再ランキングを用いた患者と臨床試験の効果的なマッチング
• Authors: Wojciech Kusa, \'Oscar E. Mendoza, Petr Knoth, Gabriella Pasi, Allan Hanbury
• Abstract要約: 臨床試験(CT)は、不十分な患者募集のために失敗することが多い。 本稿では,患者と医療のパラダイムに対処するアプローチを提案することによって,CT検索の課題に取り組む。
• 参考スコア（独自算出の注目度）: 8.200196331837576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical trials (CTs) often fail due to inadequate patient recruitment. This paper tackles the challenges of CT retrieval by presenting an approach that addresses the patient-to-trials paradigm. Our approach involves two key components in a pipeline-based model: (i) a data enrichment technique for enhancing both queries and documents during the first retrieval stage, and (ii) a novel re-ranking schema that uses a Transformer network in a setup adapted to this task by leveraging the structure of the CT documents. We use named entity recognition and negation detection in both patient description and the eligibility section of CTs. We further classify patient descriptions and CT eligibility criteria into current, past, and family medical conditions. This extracted information is used to boost the importance of disease and drug mentions in both query and index for lexical retrieval. Furthermore, we propose a two-step training schema for the Transformer network used to re-rank the results from the lexical retrieval. The first step focuses on matching patient information with the descriptive sections of trials, while the second step aims to determine eligibility by matching patient information with the criteria section. Our findings indicate that the inclusion criteria section of the CT has a great influence on the relevance score in lexical models, and that the enrichment techniques for queries and documents improve the retrieval of relevant trials. The re-ranking strategy, based on our training schema, consistently enhances CT retrieval and shows improved performance by 15\% in terms of precision at retrieving eligible trials. The results of our experiments suggest the benefit of making use of extracted entities. Moreover, our proposed re-ranking schema shows promising effectiveness compared to larger neural models, even with limited training data.
• Abstract（参考訳）: 臨床試験(cts)はしばしば不適切な患者採用のために失敗する。 本稿では,ct検索の課題に対処し,患者対審パラダイムに取り組むアプローチを提案する。 私たちのアプローチには、パイプラインベースのモデルにおける2つの重要なコンポーネントがあります。 (i)第1の検索段階における問合せと文書の双方を強化するためのデータエンリッチメント技術 (II)CT文書の構造を活用して,このタスクに適合した設定でトランスフォーマーネットワークを利用する新しい再ランクスキーマ。 我々は,患者の記述とCTの適性セクションの両方において,名前付き実体認識と否定検出を用いる。 我々はさらに、患者の説明とCTの適性基準を現在の、過去、家族の医療状況に分類する。 この抽出された情報は、語彙検索のためのクエリとインデックスの両方において、疾患や薬物の言及の重要性を高めるために使用される。 さらに,語彙検索の結果を並べ替えるのに使用されるTransformerネットワークのための2段階のトレーニングスキーマを提案する。 第1段階は、患者の情報と臨床試験の記述セクションとの整合性に焦点を当て、第2段階は、患者情報と基準セクションとの整合性を決定することを目的としている。 以上の結果から,CTの包含基準部は語彙モデルの関連性スコアに大きな影響を与え,クエリや文書のリッチ化技術は関連する治験の検索を改善することが示唆された。 トレーニングスキーマに基づく再評価戦略は,CT検索を継続的に強化し,適格な治験の精度を15倍に向上させる。 実験の結果,抽出された実体を利用するメリットが示唆された。 さらに,提案する再ランキングスキーマは,限られたトレーニングデータであっても,より大きなニューラルモデルと比較して有望な効果を示す。

関連論文リスト

• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。 本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。 その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model [0.7373617024876725]
  臨床試験は医薬品の介入を促進するのに不可欠であるが、適格な参加者を選ぶ際にボトルネックに直面している。 構造化されていない医療用テキストの複雑な性質は、参加者を効率的に識別する上での課題である。 本研究では,コホート選択課題に対するプロンプトベース大規模言語モデルの性能評価を目的とした。
  論文  参考訳（メタデータ） (2024-04-24T20:42:28Z)
• APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge [0.0]
  APISはNCCTとADCによる急性虚血性脳卒中患者の最初のペアデータセットである。 第20回IEEE International Symposium on Biomedical Imaging 2023で発表された。 すべてのチームが専門的なディープラーニングツールを使用しているにも関わらず、NCCTの虚血性脳卒中セグメンテーションタスクは依然として困難である。
  論文  参考訳（メタデータ） (2023-09-26T20:16:07Z)
• PHE-SICH-CT-IDS: A Benchmark CT Image Dataset for Evaluation Semantic Segmentation, Object Detection and Radiomic Feature Extraction of Perihematomal Edema in Spontaneous Intracerebral Hemorrhage [2.602118060856794]
  脳内出血は、世界で最も死亡率が高く、予後不良な疾患の1つである。 PHE-SICH-CT-IDSと命名したCTデータセットを,脳内自然出血に用いた。
  論文  参考訳（メタデータ） (2023-08-21T07:18:51Z)
• 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)
• Concurrent ischemic lesion age estimation and segmentation of CT brain using a Transformer-based network [8.80381582892208]
  本稿では,脳虚血病変の同時分節と年齢推定に最適化された,エンドツーエンドのマルチタスク・トランスフォーマー・ネットワークを提案する。 従来手法の0.858と比較すると, 病変年齢を4.5時間に分類するための曲線(AUC)が0.933未満の領域で, 有望な性能が得られる。
  論文  参考訳（メタデータ） (2023-06-21T13:00:49Z)
• CT-SGAN: Computed Tomography Synthesis GAN [4.765541373485143]
  胸部CTスキャンの小さなデータセットを用いて,大規模な3次元合成CTスキャンボリュームを生成するCT-SGANモデルを提案する。 その結果,CT-SGANは大量の合成データに基づいて結節を事前訓練することにより,肺検出精度を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-10-14T22:20:40Z)
• COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital Contact Tracing [68.68882022019272]
  COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。 1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
  論文  参考訳（メタデータ） (2020-10-30T00:47:01Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。