論文の概要: Enhancing Hepatopathy Clinical Trial Efficiency: A Secure, Large Language Model-Powered Pre-Screening Pipeline

• arxiv url: http://arxiv.org/abs/2502.18531v1
• Date: Tue, 25 Feb 2025 02:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 17:39:51.133285
• Title: Enhancing Hepatopathy Clinical Trial Efficiency: A Secure, Large Language Model-Powered Pre-Screening Pipeline
• Title（参考訳）: 臨床治験効率の向上 : セキュアで大規模言語モデルによる前硬化パイプライン
• Authors: Xiongbin Gui, Hanlin Lv, Xiao Wang, Longting Lv, Yi Xiao, Lei Wang,
• Abstract要約: 癌や肝硬変などの複雑な肝疾患を含むコホートを除去するには、しばしば意味論的に複雑な基準を解釈する必要がある。 従来の手作業によるスクリーニング手法は時間がかかり、エラーを起こしやすい。 我々は,臨床知識を活用して,大規模言語モデルの正確かつ安全かつ効率的な応用を導出する新規患者プレスクリーニングパイプラインを開発した。
• 参考スコア（独自算出の注目度）: 10.920585072471193
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Recruitment for cohorts involving complex liver diseases, such as hepatocellular carcinoma and liver cirrhosis, often requires interpreting semantically complex criteria. Traditional manual screening methods are time-consuming and prone to errors. While AI-powered pre-screening offers potential solutions, challenges remain regarding accuracy, efficiency, and data privacy. Methods: We developed a novel patient pre-screening pipeline that leverages clinical expertise to guide the precise, safe, and efficient application of large language models. The pipeline breaks down complex criteria into a series of composite questions and then employs two strategies to perform semantic question-answering through electronic health records - (1) Pathway A, Anthropomorphized Experts' Chain of Thought strategy, and (2) Pathway B, Preset Stances within an Agent Collaboration strategy, particularly in managing complex clinical reasoning scenarios. The pipeline is evaluated on three key metrics-precision, time consumption, and counterfactual inference - at both the question and criterion levels. Results: Our pipeline achieved high precision (0.921, in criteria level) and efficiency (0.44s per task). Pathway B excelled in complex reasoning, while Pathway A was effective in precise data extraction with faster processing times. Both pathways achieved comparable precision. The pipeline showed promising results in hepatocellular carcinoma (0.878) and cirrhosis trials (0.843). Conclusions: This data-secure and time-efficient pipeline shows high precision in hepatopathy trials, providing promising solutions for streamlining clinical trial workflows. Its efficiency and adaptability make it suitable for improving patient recruitment. And its capability to function in resource-constrained environments further enhances its utility in clinical settings.
• Abstract（参考訳）: 背景:肝細胞癌や肝硬変などの複雑な肝疾患のコホートに対する検索は、しばしば意味論的に複雑な基準を解釈する必要がある。 従来の手作業によるスクリーニング手法は時間がかかり、エラーを起こしやすい。 AIを使った事前スクリーニングは潜在的な解決策を提供するが、精度、効率、データのプライバシーに関する課題は残る。 方法: 臨床専門知識を活用して, 大規模言語モデルの正確かつ安全かつ効率的な応用を導出する新規患者プレスクリーニングパイプラインを開発した。 パイプラインは、複雑な基準を一連の複合的な質問に分解し、その後、(1)パスA、人為的な専門家の思考戦略の連鎖、(2)パスB、エージェントコラボレーション戦略における事前のスタンス、特に複雑な臨床推論シナリオの管理の2つの戦略を用いて、電子健康記録を通じて意味的な質問応答を行う。 パイプラインは3つの重要なメトリクス精度、時間消費、反ファクト推論に基づいて、質問と基準の両方で評価される。 結果: パイプラインは高い精度 (0.921, 基準レベル) と効率 (0.44s/タスク) を達成した。 パスウェイBは複雑な推論に優れ、パスウェイAは高速な処理時間で正確なデータ抽出に有効であった。 どちらの経路も同等の精度を達成した。 肝細胞癌は0.878例,肝硬変は0.843例であった。 結論: このデータセキュアで時間効率のよいパイプラインは、肝疾患の臨床試験において高い精度を示し、臨床試験ワークフローを合理化するための有望なソリューションを提供する。 その効率性と適応性は、患者の採用を改善するのに適している。 また, 資源制約環境において機能する能力は, 臨床環境における有用性をさらに向上させる。

関連論文リスト

• Automating Adjudication of Cardiovascular Events Using Large Language Models [3.7312896556790855]
  本稿では,Large Language Models (LLMs) を用いた臨床試験において,心血管イベントの適応を自動化する新しい枠組みを提案する。 心血管系イベント特異的臨床試験データを用いて、このフレームワークは、イベント抽出のためのF1スコアが0.82であり、適応のための精度が0.68である。 このアプローチは、臨床試験において、高品質で一貫した、監査可能な結果を維持しながら、適応時間とコストを大幅に削減する大きな可能性を示している。
  論文  参考訳（メタデータ） (2025-03-21T15:25:53Z)
• Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
  本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。 我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。 我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
  論文  参考訳（メタデータ） (2025-03-12T10:17:54Z)
• TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction [19.084936647082632]
  マルチモーダルデータを用いて臨床試験期間を推定する機械学習に基づくTrialDuraを提案する。 バイオメディカルコンテキストに特化されたBio-BERT埋め込みにエンコードして,より深く,より関連するセマンティック理解を提供する。 提案モデルでは, 平均絶対誤差(MAE)が1.04年, 根平均二乗誤差(RMSE)が1.39年であった。
  論文  参考訳（メタデータ） (2024-04-20T02:12:59Z)
• 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)
• Hybrid quantum image classification and federated learning for hepatic steatosis diagnosis [0.023610981578132715]
  実世界の臨床データを利用して非アルコール性肝脂肪症を正確に評価するハイブリッド量子ニューラルネットワークモデルを提案する。 このモデルでは画像分類精度が97%に達し、従来の手法を1.8%上回る。
  論文  参考訳（メタデータ） (2023-11-04T13:28:06Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• 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)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)

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。