Fugu-MT 論文翻訳(概要): Machine Learning to Promote Translational Research: Predicting Patent and Clinical Trial Inclusion in Dementia Research

論文の概要: Machine Learning to Promote Translational Research: Predicting Patent and Clinical Trial Inclusion in Dementia Research

arxiv url: http://arxiv.org/abs/2401.05145v1
Date: Wed, 10 Jan 2024 13:25:49 GMT
ステータス: 処理完了
システム内更新日: 2024-01-11 14:45:22.689409
Title: Machine Learning to Promote Translational Research: Predicting Patent and Clinical Trial Inclusion in Dementia Research
Title（参考訳）: 翻訳研究を促進する機械学習--認知症研究における特許と治験の予測
Authors: Matilda Beinat, Julian Beinat, Mohammed Shoaib, Jorge Gomez Magenti
Abstract要約: 認知症は、2040年までに英国で6100万人に影響を及ぼし、年間25億ポンドの費用がかかると予想されている。 1990～2023年の間に、イギリスの認知症研究出版物43,091件からDmensionsデータベースを用いてデータを抽出した。特許の予測では、受信者動作特性曲線(AUROC)の精度は0.84と77.17%であり、臨床試験の精度は0.81と75.11%である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Projected to impact 1.6 million people in the UK by 2040 and costing {\pounds}25 billion annually, dementia presents a growing challenge to society. This study, a pioneering effort to predict the translational potential of dementia research using machine learning, hopes to address the slow translation of fundamental discoveries into practical applications despite dementia's significant societal and economic impact. We used the Dimensions database to extract data from 43,091 UK dementia research publications between the years 1990-2023, specifically metadata (authors, publication year etc.), concepts mentioned in the paper, and the paper abstract. To prepare the data for machine learning we applied methods such as one hot encoding and/or word embeddings. We trained a CatBoost Classifier to predict if a publication will be cited in a future patent or clinical trial. We trained several model variations. The model combining metadata, concept, and abstract embeddings yielded the highest performance: for patent predictions, an Area Under the Receiver Operating Characteristic Curve (AUROC) of 0.84 and 77.17% accuracy; for clinical trial predictions, an AUROC of 0.81 and 75.11% accuracy. The results demonstrate that integrating machine learning within current research methodologies can uncover overlooked publications, expediting the identification of promising research and potentially transforming dementia research by predicting real-world impact and guiding translational strategies.
Abstract（参考訳）: 認知症は、2040年までに英国で6100万人に影響を及ぼし、年間2500億ポンドの費用がかかると予想されている。機械学習を用いた認知症研究の翻訳可能性を予測する先駆的な試みである本研究は、認知症が社会的・経済的に重大な影響を及ぼすにもかかわらず、基礎的な発見を実践的な応用にゆっくりと翻訳することを目指している。 1990-2023年のイギリス認知症研究出版物43,091件、特にメタデータ(著者、出版年など)、論文のコンセプト、および論文要約からデータを抽出するためにDmensionsデータベースを使用した。機械学習のためのデータを作成するために、1つのホットエンコーディングや単語埋め込みなどの手法を適用した。今後の特許や臨床試験で出版物が引用されるかどうかを予測するために,catboost分類器を訓練した。私たちはいくつかのモデルのバリエーションを訓練した。メタデータ、概念、抽象埋め込みを組み合わせたモデルは、最も高い性能を得た:特許予測では、受信者の動作特性曲線(auroc)の下の領域は 0.84 と 77.17% の精度であり、臨床試験の予測では 0.81 と 75.11% の精度である。その結果、現在の研究手法に機械学習を統合することで、見過ごされた出版物を発見でき、将来的な研究の特定を迅速化し、現実のインパクトを予測し、翻訳戦略を導くことで認知症研究を変革する可能性が示された。

関連論文リスト

Systematic Review: Text Processing Algorithms in Machine Learning and Deep Learning for Mental Health Detection on Social Media [0.037693031068634524]
本稿では,ソーシャルメディア上での抑うつ検出のための機械学習モデルの評価を行う。モデルの信頼性と一般化可能性に影響を及ぼす重要なバイアスが見つかった。否定のような言語的なニュアンスに明示的に対応した研究はわずか23%で、正確な感情分析に欠かせないものだった。
論文参考訳（メタデータ） (2024-10-21T17:05:50Z)
Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文参考訳（メタデータ） (2024-10-06T18:46:28Z)
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)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
Machine Learning Techniques for Predicting the Short-Term Outcome of Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
7つのディフフェレント分類アルゴリズムを用いてデータを解析した。線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
論文参考訳（メタデータ） (2023-02-10T13:04:47Z)
Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文参考訳（メタデータ） (2022-07-18T11:38:32Z)
Deep forecasting of translational impact in medical research [1.8130872753848115]
我々は,多スケールパブリッシュデータの表現的および識別的数学的モデルスイートを開発する。我々は、引用は、特許、ガイドライン、政策文書に含めることにより判断される翻訳効果の適度な予測のみであることを示す。我々は、従来の引用に基づく手法よりも、コンテンツに基づく影響モデルの方がパフォーマンスに優れていると論じる。
論文参考訳（メタデータ） (2021-10-17T19:29:41Z)
Machine learning for modeling the progression of Alzheimer disease dementia using clinical data: a systematic literature review [2.8136734847819773]
アルツハイマー病(英語: Alzheimer disease, AD)は、認知障害を特徴とする認知失調症である。我々は2010年1月1日から2020年5月31日まで,PubMed, Scopus, ScienceDirect, IEEE Explore Digital Library, Association for Computing Machinery Digital Library, arXivで論文を検索した。我々は、事前定義された基準を用いて、関連する項目を選択し、データ特性、計算アルゴリズム、研究焦点などのML分析の重要な要素に従ってそれらを要約した。
論文参考訳（メタデータ） (2021-08-05T04:38:47Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Artificial Intelligence, speech and language processing approaches to monitoring Alzheimer's Disease: a systematic review [5.635607414700482]
本稿では,アルツハイマー病の認知機能低下を予測するための人工知能,音声,言語処理の利用に関する現在の知見を要約する。筆者らは2000年から2019年にかけて, PROSPEROに登録されたオリジナルの研究の体系的レビューを行った。
論文参考訳（メタデータ） (2020-10-12T21:43:04Z)

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。