論文の概要: Clinical trial cohort selection using Large Language Models on n2c2 Challenges
- arxiv url: http://arxiv.org/abs/2501.11114v1
- Date: Sun, 19 Jan 2025 17:07:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:25:51.972648
- Title: Clinical trial cohort selection using Large Language Models on n2c2 Challenges
- Title(参考訳): n2c2チャレンジにおける大規模言語モデルを用いた臨床試験コホート選択
- Authors: Chi-en Amy Tai, Xavier Tannier,
- Abstract要約: 大規模言語モデル(LLM)は、テキストの微妙な理解を得ることによって、様々なNLPタスクで人気を集めている。
簡単なコホート選択タスクのためのLLMの導入は期待できるが,より詳細な知識と推論が必要な場合には,これらのモデルが直面する困難を浮き彫りにする。
- 参考スコア(独自算出の注目度): 3.0208841164563838
- License:
- Abstract: Clinical trials are a critical process in the medical field for introducing new treatments and innovations. However, cohort selection for clinical trials is a time-consuming process that often requires manual review of patient text records for specific keywords. Though there have been studies on standardizing the information across the various platforms, Natural Language Processing (NLP) tools remain crucial for spotting eligibility criteria in textual reports. Recently, pre-trained large language models (LLMs) have gained popularity for various NLP tasks due to their ability to acquire a nuanced understanding of text. In this paper, we study the performance of large language models on clinical trial cohort selection and leverage the n2c2 challenges to benchmark their performance. Our results are promising with regard to the incorporation of LLMs for simple cohort selection tasks, but also highlight the difficulties encountered by these models as soon as fine-grained knowledge and reasoning are required.
- Abstract(参考訳): 臨床試験は、新しい治療法や革新を導入するための医療分野における重要なプロセスである。
しかし,臨床治験におけるコホート選択は,特定のキーワードに対する患者のテキスト記録を手作業でレビューする必要がある場合が多い。
様々なプラットフォームにまたがって情報を標準化する研究は行われているが、自然言語処理(NLP)ツールは、テキストレポートの適格性基準を見つけるのに不可欠である。
近年,学習済みの大規模言語モデル (LLM) は,テキストの微妙な理解を得ることによって,様々なNLPタスクで人気を集めている。
本稿では,臨床試験コホート選択における大規模言語モデルの性能について検討し,n2c2課題を活用してその性能をベンチマークする。
簡単なコホート選択タスクのためのLLMの導入は期待できるが,より詳細な知識と推論が必要な場合には,これらのモデルが直面する困難を浮き彫りにする。
関連論文リスト
- The use of large language models to enhance cancer clinical trial educational materials [2.680807601066252]
GPT4の生成した試用サマリーは読みやすく、包括的であった。
複数選択質問は、クラウドソースアノテータと高い精度と一致を示した。
両方のリソースタイプに対して、継続する人間の監視を必要とする幻覚が同定された。
論文 参考訳(メタデータ) (2024-12-02T20:31:27Z) - Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。
本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
論文 参考訳(メタデータ) (2024-10-24T15:41:56Z) - Large Language Models in the Clinic: A Comprehensive Benchmark [63.21278434331952]
診療所の大規模言語モデル(LLM)をよりよく理解するためのベンチマークであるClimateBenchを構築した。
まず、さまざまな臨床言語の生成、理解、推論タスクを含む11の既存のデータセットを収集します。
次に,現実の実践において複雑だが一般的である6つの新しいデータセットと臨床タスクを構築した。
ゼロショット設定と少数ショット設定の両方で、20個のLDMを広範囲に評価する。
論文 参考訳(メタデータ) (2024-04-25T15:51:06Z) - Zero-Shot Clinical Trial Patient Matching with LLMs [40.31971412825736]
大規模言語モデル(LLM)は、自動スクリーニングの有望なソリューションを提供する。
我々は,患者の診療歴を非構造的臨床テキストとして考慮し,その患者が包括的基準を満たしているかどうかを評価するLCMベースのシステムを構築した。
提案システムは,n2c2 2018コホート選択ベンチマークにおいて,最先端のスコアを達成している。
論文 参考訳(メタデータ) (2024-02-05T00:06:08Z) - CohortGPT: An Enhanced GPT for Participant Recruitment in Clinical Study [17.96401880059829]
ChatGPTのような大規模言語モデル(LLM)は、様々な下流タスクで大きな成功を収めています。
我々は,知識グラフを補助情報として,予測を行う際のLCMを導くことを提案する。
本手法は, 微調整手法と比較して, 良好な性能が得られる。
論文 参考訳(メタデータ) (2023-07-21T04:43:00Z) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳(メタデータ) (2023-05-30T22:05:11Z) - 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) - Few-Shot Learning for Clinical Natural Language Processing Using Siamese
Neural Networks [3.9586758145580014]
臨床自然言語処理(NLP)は医療の新たな技術になりつつある。
深層学習は多くの臨床NLPタスクで最先端のパフォーマンスを達成した。
ディープラーニングモデルのトレーニングは通常、大きな注釈付きデータセットを必要とするが、通常は公開されていない。
論文 参考訳(メタデータ) (2022-08-31T15:36:27Z) - HealthPrompt: A Zero-shot Learning Paradigm for Clinical Natural
Language Processing [3.762895631262445]
われわれはHealthPromptという新しいプロンプトベースのNLPフレームワークを開発した。
本研究は,6種類のPLMを用いたHealthPromptの詳細な分析を行った。
本実験は,臨床テキストのコンテキストを効果的に把握し,トレーニングデータなしで極めて良好に動作できることを証明した。
論文 参考訳(メタデータ) (2022-03-09T21:44:28Z) - 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) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-12-04T06:09:02Z)
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。