論文の概要: Am I eligible? Natural Language Inference for Clinical Trial Patient Recruitment: the Patient's Point of View

• arxiv url: http://arxiv.org/abs/2503.15718v1
• Date: Wed, 19 Mar 2025 22:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:34:49.592697
• Title: Am I eligible? Natural Language Inference for Clinical Trial Patient Recruitment: the Patient's Point of View
• Title（参考訳）: 資格はあるか? 臨床治験患者の自然言語推論--患者の立場から
• Authors: Mathilde Aguiar, Pierre Zweigenbaum, Nona Naderi,
• Abstract要約: 本研究は、患者が自身の採用プロセスを開始し、所定の臨床試験を受ける資格があるかどうかを判断しようとする事例に対処する。 我々は,NLI4PR(Natural Language Inference for patient Recruitment)という新たなデータセットとタスクを設計する。 TREC 2022 臨床試験トラックデータセットを適用し,患者の医療的プロファイルを提供し,患者言語を用いて手動で書き直して作成する。
• 参考スコア（独自算出の注目度）: 0.9012198585960441
• License:
• Abstract: Recruiting patients to participate in clinical trials can be challenging and time-consuming. Usually, participation in a clinical trial is initiated by a healthcare professional and proposed to the patient. Promoting clinical trials directly to patients via online recruitment might help to reach them more efficiently. In this study, we address the case where a patient is initiating their own recruitment process and wants to determine whether they are eligible for a given clinical trial, using their own language to describe their medical profile. To study whether this creates difficulties in the patient trial matching process, we design a new dataset and task, Natural Language Inference for Patient Recruitment (NLI4PR), in which patient language profiles must be matched to clinical trials. We create it by adapting the TREC 2022 Clinical Trial Track dataset, which provides patients' medical profiles, and rephrasing them manually using patient language. We also use the associated clinical trial reports where the patients are either eligible or excluded. We prompt several open-source Large Language Models on our task and achieve from 56.5 to 71.8 of F1 score using patient language, against 64.7 to 73.1 for the same task using medical language. When using patient language, we observe only a small loss in performance for the best model, suggesting that having the patient as a starting point could be adopted to help recruit patients for clinical trials. The corpus and code bases are all freely available on our Github and HuggingFace repositories.
• Abstract（参考訳）: 臨床試験に参加するために患者をリクルートすることは困難であり、時間がかかる。 通常、臨床試験への参加は、医療専門家によって始められ、患者に提案される。 オンライン採用を通じて患者に直接臨床試験を推進することは、患者にもっと効率的にリーチするのに役立ちます。 本研究は,患者が自身の採用プロセスを開始し,自身の言語を用いて臨床治験に適合するかどうかを判断しようとする事例について考察する。 そこで我々は,この手法が患者の臨床試験マッチングプロセスに困難をもたらすかどうかを検討するために,患者の言語プロファイルを臨床試験に適合させなければならない,新たなデータセットとタスク,NLI4PR(Natural Language Inference for patient Recruitment)を設計する。 TREC 2022 臨床試験トラックデータセットを適用し,患者の医療的プロファイルを提供し,患者言語を用いて手動で書き直して作成する。 また,患者が資格を有するか除外されている臨床臨床試験報告も使用した。 我々は,F1スコアの56.5から71.8を患者言語で達成し,64.7から73.1を医療言語で同じタスクで達成する。 患者言語を用いた場合,最良モデルの成績はわずかに低下するのみであり,患者を出発点に据え置けば臨床治験のための患者募集に役立てられる可能性が示唆された。 コーパスとコードベースはすべて、GithubとHuggingFaceリポジトリで無償で利用可能です。

関連論文リスト

• Panacea: A foundation model for clinical trial search, summarization, design, and recruitment [29.099676641424384]
  パナセアという臨床試験基盤モデルを提案する。 Panaceaは、トライアル検索、トライアル要約、トライアルデザイン、患者と臨床のマッチングなど、複数のタスクを扱うように設計されている。 793,279のトライアル文書と1,113,207のトライアル関連科学論文からなる、TrialAlignという大規模なデータセットも収集しました。
  論文  参考訳（メタデータ） (2024-06-25T21:29:25Z)
• 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)
• 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)
• 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)
• Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
  本稿では,Re$3$Writer法を提案する。 本手法が患者の退院指示生成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:34:39Z)
• The Leaf Clinical Trials Corpus: a new resource for query generation from clinical trial eligibility criteria [1.7205106391379026]
  本報告では,1000以上の臨床治験適性基準を記載した人称コーパスであるLeaf Clinical Trials (LCT) corpusを紹介する。 スキーマ、アノテーションプロセス、コーパスの品質、統計の詳細を提供します。
  論文  参考訳（メタデータ） (2022-07-27T19:22:24Z)
• 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)
• Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
  本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。 我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。 本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
  論文  参考訳（メタデータ） (2021-12-23T16:11:19Z)
• 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)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)

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。