論文の概要: Exploring the Generalization of Cancer Clinical Trial Eligibility Classifiers Across Diseases

• arxiv url: http://arxiv.org/abs/2403.17135v1
• Date: Mon, 25 Mar 2024 19:17:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 19:45:52.710992
• Title: Exploring the Generalization of Cancer Clinical Trial Eligibility Classifiers Across Diseases
• Title（参考訳）: がん治験適性分類の一般化をめざして
• Authors: Yumeng Yang, Ashley Gilliam, Ethan B Ludmir, Kirk Roberts,
• Abstract要約: 本研究は, 幅広い臨床試験範囲において, 資格分類の一般化可能性を評価することを目的とする。 本研究は,(1)第3相臨床試験,(2)第1相臨床試験,(2)第2相臨床試験,(3)心臓病臨床試験,(4)第2型糖尿病臨床試験,(5)任意の疾患に対する観察試験の5種類の検査基準データをまとめた。 以上の結果から, がんデータセットに基づいてトレーニングしたモデルでは, 自己免疫疾患などの非がん臨床試験で一般的に見られる基準を効果的に扱えることが示唆された。
• 参考スコア（独自算出の注目度）: 3.087385668501741
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Clinical trials are pivotal in medical research, and NLP can enhance their success, with application in recruitment. This study aims to evaluate the generalizability of eligibility classification across a broad spectrum of clinical trials. Starting with phase 3 cancer trials, annotated with seven eligibility exclusions, then to determine how well models can generalize to non-cancer and non-phase 3 trials. To assess this, we have compiled eligibility criteria data for five types of trials: (1) additional phase 3 cancer trials, (2) phase 1 and 2 cancer trials, (3) heart disease trials, (4) type 2 diabetes trials, and (5) observational trials for any disease, comprising 2,490 annotated eligibility criteria across seven exclusion types. Our results show that models trained on the extensive cancer dataset can effectively handle criteria commonly found in non-cancer trials, such as autoimmune diseases. However, they struggle with criteria disproportionately prevalent in cancer trials, like prior malignancy. We also experiment with few-shot learning, demonstrating that a limited number of disease-specific examples can partially overcome this performance gap. We are releasing this new dataset of annotated eligibility statements to promote the development of cross-disease generalization in clinical trial classification.
• Abstract（参考訳）: 臨床試験は医学研究において重要であり、NLPは採用に応用してその成功を高めることができる。 本研究は, 幅広い臨床試験範囲において, 資格分類の一般化可能性を評価することを目的とする。 まず第3相臨床試験から始まり、7つのアノテートでアノテートされ、モデルが非がんおよび非フェーズ3臨床試験にどのように一般化できるかを判断する。 これを評価するために,(1)第3相臨床試験,(2)第1相臨床試験,(2)第2相臨床試験,(3)心臓病臨床試験,(4)第2型糖尿病臨床試験,(5)第5相臨床試験の5種類の検査基準データをまとめた。 以上の結果から, がんデータセットに基づいてトレーニングしたモデルでは, 自己免疫疾患などの非がん臨床試験で一般的に見られる基準を効果的に扱えることが示唆された。 しかし、早期悪性腫瘍のように、がんの治験において不適切な基準に苦しむ。 また、このパフォーマンスギャップを部分的に克服できる病気特異的例の数が限られていることを実証して、数発の学習実験を行った。 臨床試験分類におけるクロス・ディスリーズ・ジェネリゼーションの進展を促進するために, 注釈付き適性ステートメントのデータセットを新たにリリースする。

関連論文リスト

• 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)
• Language Interaction Network for Clinical Trial Approval Estimation [37.60098683485169]
  本稿では,言語相互作用ネットワーク(LINT, Language Interaction Network)について紹介する。 臨床治験の3段階にわたって厳格にLINTを試験し,ROC-AUCスコアは0.770,0.740,0.748となった。
  論文  参考訳（メタデータ） (2024-04-26T14:50:59Z)
• PRISM: Patient Records Interpretation for Semantic Clinical Trial Matching using Large Language Models [4.438101430231511]
  本報告では,実世界のERHを用いた臨床治験の大規模評価について述べる。 本研究は, LLMsが適切な臨床試験で患者に正確に適合する能力を示すものである。
  論文  参考訳（メタデータ） (2024-04-23T22:33:19Z)
• Text Classification of Cancer Clinical Trial Eligibility Criteria [3.372747046563984]
  悪性腫瘍,ヒト免疫不全ウイルス,B型肝炎,C型肝炎,精神疾患,薬物・物質乱用,自己免疫疾患の7つの共通排除基準に注目した。 本データセットは,第764相臨床試験からなり,これらの除外は試験レベルでアノテートされる。 以上の結果から,共通排他基準を自動分類できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-09-14T15:59:16Z)
• 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)
• Improving Patient Pre-screening for Clinical Trials: Assisting Physicians with Large Language Models [0.0]
  LLM(Large Language Models)は臨床情報抽出や臨床推論に有効であることが示されている。 本稿では,患者の総合的医療プロファイルに基づく臨床治験の適性判定に医師を支援するために,インストラクションGPTを用いることを検討した。
  論文  参考訳（メタデータ） (2023-04-14T21:19:46Z)
• 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)
• Towards Fair Patient-Trial Matching via Patient-Criterion Level Fairness Constraint [50.35075018041199]
  本研究は,患者基準値の公正度制約を発生させることにより,公正な患者間マッチングの枠組みを提案する。 実世界における患者基準と患者基準の整合性に関する実験結果から,提案手法が偏りやすい予測を効果的に緩和できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T03:59:19Z)
• Clinical trial site matching with improved diversity using fair policy learning [56.01170456417214]
  我々は,臨床治験記述を潜在的な試験現場のランクリストにマッピングするモデルを学習する。 既存のフェアネスフレームワークとは異なり、各トライアルサイトのグループメンバーシップは非バイナリである。 このようなマルチグループメンバーシップシナリオに対処するために、人口統計学的妥当性に基づく公平性基準を提案する。
  論文  参考訳（メタデータ） (2022-04-13T16:35:28Z)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

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。