Fugu-MT 論文翻訳(概要): PVLens: Enhancing Pharmacovigilance Through Automated Label Extraction

論文の概要: PVLens: Enhancing Pharmacovigilance Through Automated Label Extraction

arxiv url: http://arxiv.org/abs/2503.20639v1
Date: Wed, 26 Mar 2025 15:33:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-27 19:18:47.216304
Title: PVLens: Enhancing Pharmacovigilance Through Automated Label Extraction
Title（参考訳）: PVLens:自動ラベル抽出による薬理工学の強化
Authors: Jeffery L Painter, Gregory E Powell, Andrew Bate,
Abstract要約: 我々は、FDA Structured Product Labels(SPL)からラベル付き安全情報を抽出し、MedDRAに用語をマッピングするシステムであるPVLensを紹介する。 97の薬物ラベルに対する検証において、PVLensは、高いリコール(0.983)と適度な精度(0.799)のF1スコアを0.882で達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reliable drug safety reference databases are essential for pharmacovigilance, yet existing resources like SIDER are outdated and static. We introduce PVLens, an automated system that extracts labeled safety information from FDA Structured Product Labels (SPLs) and maps terms to MedDRA. PVLens integrates automation with expert oversight through a web-based review tool. In validation against 97 drug labels, PVLens achieved an F1 score of 0.882, with high recall (0.983) and moderate precision (0.799). By offering a scalable, more accurate and continuously updated alternative to SIDER, PVLens enhances real-time pharamcovigilance with improved accuracy and contemporaneous insights.
Abstract（参考訳）: 薬剤の安全基準データベースは薬剤の移動には不可欠だが、SIDERのような既存のリソースは時代遅れで静的である。我々は、FDA Structured Product Labels(SPL)からラベル付き安全情報を抽出し、MedDRAに用語をマッピングするシステムであるPVLensを紹介する。 PVLensは、Webベースのレビューツールを通じて、自動化と専門家の監視を統合する。 97の薬物ラベルに対する検証では、PVLensのF1スコアは0.882で、高いリコール(0.983)と適度な精度(0.799)であった。スケーラブルで、より正確で、継続的に更新されるSIDERの代替手段を提供することで、PVLensは、精度と同時洞察を改善して、リアルタイムのファラム移動を強化する。

関連論文リスト

Toward Automated Regulatory Decision-Making: Trustworthy Medical Device Risk Classification with Multimodal Transformers and Self-Training [3.439579933384111]
Transformerベースのフレームワークは、テキスト記述と視覚情報を統合して、デバイスの規制分類を予測する。このアプローチは90.4%の精度と97.9%のAUROCを実現し、テキストのみ(77.2%)と画像のみ(54.8%)のベースラインを大きく上回っている。
論文参考訳（メタデータ） (2025-05-01T09:41:41Z)
Uncertainty-aware Long-tailed Weights Model the Utility of Pseudo-labels for Semi-supervised Learning [50.868594148443215]
本研究では,不確かさを意識したアンサンブル構造(UES)を提案する。 UESは軽量でアーキテクチャに依存しないため、分類や回帰を含む様々なコンピュータビジョンタスクに容易に拡張できる。
論文参考訳（メタデータ） (2025-03-13T02:21:04Z)
Zero-Shot ATC Coding with Large Language Models for Clinical Assessments [40.72273945475456]
解剖学的治療化学符号を処方記録に手動で割り当てることは重大なボトルネックである。ローカル展開可能な大規模言語モデル(LLM)を用いた実践的アプローチを開発する。 GPT-4oを精度天井とし,プライバシに敏感なデプロイメントに適したオープンソースのLlamaモデルの開発に注力する。
論文参考訳（メタデータ） (2024-12-10T18:43:02Z)
Embedding with Large Language Models for Classification of HIPAA Safeguard Compliance Rules [4.871808381472344]
コードパターン処理における従来のWord2Vec埋め込みの限界を特定します。この問題を克服するために、データセットの属性にコンテキスト化された埋め込みを提供する多言語BERTを採用しています。その結果,ロジスティック回帰は99.95%の精度で,分類を著しく向上させることがわかった。
論文参考訳（メタデータ） (2024-10-28T01:54:24Z)
SafetyAnalyst: Interpretable, transparent, and steerable safety moderation for AI behavior [56.10557932893919]
我々は、新しいAI安全モデレーションフレームワークであるSafetyAnalystを紹介する。 AIの振る舞いを考えると、SafetyAnalystはチェーン・オブ・シークレット・推論を使用してその潜在的な結果を分析する。あらゆる有害かつ有益な効果を、完全に解釈可能な重みパラメータを用いて有害度スコアに集約する。
論文参考訳（メタデータ） (2024-10-22T03:38:37Z)
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)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文参考訳（メタデータ） (2023-01-17T01:46:45Z)
Fine-Tuning BERT for Automatic ADME Semantic Labeling in FDA Drug Labeling to Enhance Product-Specific Guidance Assessment [7.776014050139462]
米国食品医薬品局(FDA)が推奨する製品特異的ガイダンス(PSGs)は、総合的な医薬品製品開発を促進・指導するための手段である。 PSGを評価するには、FDA査定官は、基準薬物ラベルから吸収、分布、代謝、排他といった支援薬情報(ADME)を手作業で取得するために、広範囲な時間と努力が必要である。我々は,手作業ではなく薬物ラベルからADME段落を自動的に抽出できるADMEセマンティックラベリングの新たな応用を開発した。
論文参考訳（メタデータ） (2022-07-25T17:43:36Z)
Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文参考訳（メタデータ） (2022-07-23T19:17:26Z)
In Defense of Kalman Filtering for Polyp Tracking from Colonoscopy Videos [15.377310026794854]
大腸内視鏡画像からのポリープのリアルタイムかつ堅牢な自動検出は、この試験における医師のパフォーマンス向上に不可欠である。この分野の現在の焦点は、リアルタイムの応用が不可能な正確だが非効率な検出器の開発である。本稿では,実時間ポリプ検出器の実装を実現するために,強力だが効率的な検出器と協調して動作するカルマンフィルタトラッカーを提案する。
論文参考訳（メタデータ） (2022-01-27T11:25:58Z)
DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文参考訳（メタデータ） (2022-01-24T12:32:48Z)
Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文参考訳（メタデータ） (2021-06-01T01:32:03Z)

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。