論文の概要: Classifiers of Data Sharing Statements in Clinical Trial Records

• arxiv url: http://arxiv.org/abs/2502.12362v1
• Date: Mon, 17 Feb 2025 22:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:08:49.240504
• Title: Classifiers of Data Sharing Statements in Clinical Trial Records
• Title（参考訳）: 臨床試験記録におけるデータ共有ステートメントの分類
• Authors: Saber Jelodari Mamaghani, Cosima Strantz, Dennis Toddenroth,
• Abstract要約: 臨床試験から利用可能なデジタル個人データ(IPD)を識別するには,大規模データベースにおけるテキストデータ共有ステートメント(DSS)の解釈が必要である。 近年の計算言語学の進歩には、効果的な分類器の実装を簡素化することを約束する事前訓練された言語モデルが含まれる。 ClinicalTrials.govの5000のテキストDSSのサブセットで、ドメイン固有の事前学習言語モデルに基づく分類器が、元のアベイラビリティーカテゴリをいかにうまく再現するかを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Digital individual participant data (IPD) from clinical trials are increasingly distributed for potential scientific reuse. The identification of available IPD, however, requires interpretations of textual data-sharing statements (DSS) in large databases. Recent advancements in computational linguistics include pre-trained language models that promise to simplify the implementation of effective classifiers based on textual inputs. In a subset of 5,000 textual DSS from ClinicalTrials.gov, we evaluate how well classifiers based on domain-specific pre-trained language models reproduce original availability categories as well as manually annotated labels. Typical metrics indicate that classifiers that predicted manual annotations outperformed those that learned to output the original availability categories. This suggests that the textual DSS descriptions contain applicable information that the availability categories do not, and that such classifiers could thus aid the automatic identification of available IPD in large trial databases.
• Abstract（参考訳）: 臨床試験のデジタル個人データ(IPD)は、科学的再利用の可能性を秘めている。 しかし、利用可能なIDDの識別には、大規模データベースにおけるテキストデータ共有ステートメント(DSS)の解釈が必要である。 近年の計算言語学の進歩には、テキスト入力に基づく効果的な分類器の実装を簡素化することを約束する事前訓練された言語モデルが含まれる。 ClinicalTrials.govの5000のテキストDSSのサブセットにおいて、ドメイン固有の事前学習言語モデルに基づく分類器が、手動で注釈付けされたラベルだけでなく、元のアベイラビリティーカテゴリをいかにうまく再現するかを評価する。 典型的なメトリクスは、手動のアノテーションを予測する分類器が、元のアベイラビリティーカテゴリを出力した分類器よりも優れていたことを示している。 このことは、テキストDSS記述には、アベイラビリティーカテゴリが適用できない適用可能な情報が含まれており、そのような分類器は、大規模なトライアルデータベースで利用可能なIDDを自動的に識別するのに役立つことを示唆している。

関連論文リスト

• Improving Extraction of Clinical Event Contextual Properties from Electronic Health Records: A Comparative Study [2.0884301753594334]
  本研究は,医学テキスト分類のための様々な自然言語モデルの比較分析を行う。 BERTはBi-LSTMモデルを最大28%、ベースラインのBERTモデルを最大16%上回り、マイノリティクラスをリコールする。
  論文  参考訳（メタデータ） (2024-08-30T10:28:49Z)
• Enhancing Medical Specialty Assignment to Patients using NLP Techniques [0.0]
  本稿では,計算効率を向上しつつ,優れた性能を実現する方法を提案する。 具体的には、キーワードを用いて、大規模なテキストコーパスで事前訓練された言語モデルより優れたディープラーニングアーキテクチャを訓練する。 その結果,テキスト分類におけるキーワードの利用により,分類性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2023-12-09T14:13:45Z)
• Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
  ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。 自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。 本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
  論文  参考訳（メタデータ） (2023-07-05T20:16:20Z)
• Towards Open-Domain Topic Classification [69.21234350688098]
  ユーザが定義した分類をリアルタイムで受け入れるオープンドメイントピック分類システムを導入する。 ユーザは、任意の候補ラベルに対してテキストスニペットを分類し、Webインターフェースから即座にレスポンスを受け取ることができます。
  論文  参考訳（メタデータ） (2023-06-29T20:25:28Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• Classifying Unstructured Clinical Notes via Automatic Weak Supervision [17.45660355026785]
  クラスラベル記述のみから学習する、一般的な弱教師付きテキスト分類フレームワークを導入する。 我々は、事前訓練された言語モデルとデータプログラミングフレームワークに格納された言語ドメインの知識を活用して、テキストにコードラベルを割り当てる。
  論文  参考訳（メタデータ） (2022-06-24T05:55:49Z)
• Label Semantic Aware Pre-training for Few-shot Text Classification [53.80908620663974]
  テキスト分類システムの一般化とデータ効率を向上させるために,ラベルセマンティック・アウェア事前学習(LSAP)を提案する。 LSAPは、ラベル付き文の2次事前学習を行うことにより、ラベルセマンティクスを事前学習された生成モデル(T5)に組み込む。
  論文  参考訳（メタデータ） (2022-04-14T17:33:34Z)
• Ultra-fine Entity Typing with Indirect Supervision from Natural Language Inference [28.78215056129358]
  この研究は、エンティティ型付けを自然言語推論(NLI)問題として定式化する新しいアプローチであるLITEを提示する。 実験により、LITEは訓練データに制限があるため、UFETタスクにおける最先端のパフォーマンスが得られることが示された。
  論文  参考訳（メタデータ） (2022-02-12T23:56:26Z)
• Estimating Redundancy in Clinical Text [6.245180523143739]
  臨床医は、既存のメモを複製し、それに従って更新することで、新しい文書をポップアップさせる。 情報冗長性の定量化は、臨床物語を扱う革新を評価する上で重要な役割を果たす。 冗長性を測定するための2つの戦略として,情報理論アプローチと語彙論的・意味論的モデルを提示し,評価する。
  論文  参考訳（メタデータ） (2021-05-25T11:01:45Z)

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。