論文の概要: TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network

• arxiv url: http://arxiv.org/abs/2307.09942v1
• Date: Wed, 19 Jul 2023 12:35:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 14:07:52.229783
• Title: TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network
• Title（参考訳）: TREement:パーソナライズされた動的ツリーベースメモリネットワークによる解釈可能な患者行動マッチング
• Authors: Brandon Theodorou, 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、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。
• 参考スコア（独自算出の注目度）: 54.332862955411656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical trials are critical for drug development but often suffer from expensive and inefficient patient recruitment. In recent years, machine learning models have been proposed for speeding up patient recruitment via automatically matching patients with clinical trials based on longitudinal patient electronic health records (EHR) data and eligibility criteria of clinical trials. However, they either depend on trial-specific expert rules that cannot expand to other trials or perform matching at a very general level with a black-box model where the lack of interpretability makes the model results difficult to be adopted. To provide accurate and interpretable patient trial matching, we introduce a personalized dynamic tree-based memory network model named TREEMENT. It utilizes hierarchical clinical ontologies to expand the personalized patient representation learned from sequential EHR data, and then uses an attentional beam-search query learned from eligibility criteria embedding to offer a granular level of alignment for improved performance and interpretability. We evaluated TREEMENT against existing models on real-world datasets and demonstrated that TREEMENT outperforms the best baseline by 7% in terms of error reduction in criteria-level matching and achieves state-of-the-art results in its trial-level matching ability. Furthermore, we also show TREEMENT can offer good interpretability to make the model results easier for adoption.
• Abstract（参考訳）: 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,長期患者電子健康記録(ehr)データと臨床試験の適性基準に基づいて,患者と臨床試験を自動マッチングすることで,患者採用のスピードアップを図る機械学習モデルが提案されている。 しかし、それらは他の治験に拡張できない治験固有の専門家ルールに依存するか、解釈可能性の欠如によりモデル結果の採用が困難となるブラックボックスモデルと非常に一般的なレベルでマッチングを行うかのどちらかである。 正確かつ解釈可能な患者治験マッチングを提供するため,treementと呼ばれるパーソナライズされた動的ツリーベースメモリネットワークモデルを提案する。 階層的な臨床オントロジーを用いて、シーケンシャルなehrデータから学習したパーソナライズされた患者表現を拡張し、適性基準から学習した注意深いビーム検索クエリを使用して、パフォーマンスと解釈性を改善するための粒度レベルのアライメントを提供する。 実世界のデータセット上での既存モデルに対するトリーメントを評価し、基準レベルのマッチングにおける誤差低減の観点から、ツリーメントが最高のベースラインを7%上回り、試行レベルのマッチング能力で最新結果を達成できることを実証した。 さらに,モデル結果の採用が容易になるよう,ツリーメンテーションが優れた解釈性を提供できることを示した。

関連論文リスト

• 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)
• TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of Clinical Trials [0.0]
  我々はCT.gov, AACT, TrialTroveデータベースから収集した治験データセット(n=1191臨床試験、100万人の患者を代表する)を紹介する。 次に,グラフ機械学習アルゴリズムの数学的基礎と実装について詳述する。 我々はこれらのモデルを用いて、疾患、既往の医療状況、治療に関する情報を与えられた臨床試験の副作用情報を予測する訓練を行った。
  論文  参考訳（メタデータ） (2021-12-15T15:36:57Z)
• Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
  EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。 集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。 我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-16T11:19:02Z)
• Development of patients triage algorithm from nationwide COVID-19 registry data based on machine learning [1.0323063834827415]
  本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。 モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。 本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
  論文  参考訳（メタデータ） (2021-09-18T19:56:27Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• 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。