論文の概要: Dose-finding design based on level set estimation in phase I cancer clinical trials

• arxiv url: http://arxiv.org/abs/2504.09157v1
• Date: Sat, 12 Apr 2025 09:44:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:55:05.683864
• Title: Dose-finding design based on level set estimation in phase I cancer clinical trials
• Title（参考訳）: 第I相がん臨床試験におけるレベルセット推定に基づくドーズフィンディング設計
• Authors: Keiichiro Seno, Kota Matsui, Shogo Iwazaki, Yu Inatsu, Shion Takeno, Shigeyuki Matsui,
• Abstract要約: MTD推定問題をレベルセット推定問題とみなすことができる。 LSEの枠組みにおける新しい線量フィリング設計を提案する。 提案設計では, 線量毒性曲線の後方分布の不確実性を考慮した取得関数に基づいて次の線量を決定する。
• 参考スコア（独自算出の注目度）: 7.033867415910182
• License:
• Abstract: The primary objective of phase I cancer clinical trials is to evaluate the safety of a new experimental treatment and to find the maximum tolerated dose (MTD). We show that the MTD estimation problem can be regarded as a level set estimation (LSE) problem whose objective is to determine the regions where an unknown function value is above or below a given threshold. Then, we propose a novel dose-finding design in the framework of LSE. The proposed design determines the next dose on the basis of an acquisition function incorporating uncertainty in the posterior distribution of the dose-toxicity curve as well as overdose control. Simulation experiments show that the proposed LSE design achieves a higher accuracy in estimating the MTD and involves a lower risk of overdosing allocation compared to existing designs, thereby indicating that it provides an effective methodology for phase I cancer clinical trial design.
• Abstract（参考訳）: 第I相臨床試験の主な目的は、新しい実験的治療の安全性を評価し、最大許容量(MTD)を見出すことである。 MTD推定問題は、未知の関数値が与えられた閾値以上の領域を決定することを目的としたレベルセット推定(LSE)問題とみなすことができる。 そこで本研究では,LSEの枠組みにおける新しい線量フィリング設計を提案する。 提案設計では, 線量毒性曲線の後方分布の不確かさと過剰摂取制御を取り入れた取得関数に基づいて次の線量を決定する。 シミュレーション実験により,提案したLSE設計はMTDの推定において高い精度を達成し,既存の設計に比べて過剰な割り当てのリスクが低いことを示し,第I相臨床試験設計に有効な方法論を提供することを示した。

関連論文リスト

• Towards Integrating Epistemic Uncertainty Estimation into the Radiotherapy Workflow [40.07325268305058]
  放射線治療計画における目標構造と臓器リスク(OAR)の整合性の精度は、治療効果と患者の安全を確保するために不可欠である。 近年のディープラーニング(DL)の進歩により,OARコンチューリング性能が大幅に向上した。 しかし、これらのモデルの信頼性、特にアウト・オブ・ディストリビューション(OOD)シナリオの存在は、臨床設定において懸念されている。
  論文  参考訳（メタデータ） (2024-09-27T10:55:58Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Continuous max-flow augmentation of self-supervised few-shot learning on SPECT left ventricles [0.0]
  本研究の目的は, 診断センターとクリニックが, 小型・低品質のSPECTラベルに基づいて自動的に心筋のセグメンテーションを行うためのレシピを提供することである。 SPECT装置の様々な領域における3次元U-Net自己教師学習(SSL)アプローチを強化するために,CMF(Continuous Max-Flow)と事前形状情報の組み合わせを開発した。
  論文  参考訳（メタデータ） (2024-05-09T03:19:19Z)
• Embracing Uncertainty Flexibility: Harnessing a Supervised Tree Kernel to Empower Ensemble Modelling for 2D Echocardiography-Based Prediction of Right Ventricular Volume [0.5492530316344587]
  右室機能低下は,多くの状況において臨床効果を強く予測する。 本稿では,不確実性スコアによるボリューム予測を補完する手法を提案する。 提案手法は意思決定プロセスの強化とリスク低減に有効である。
  論文  参考訳（メタデータ） (2024-03-04T12:36:31Z)
• Learning-Based sensitivity analysis and feedback design for drug delivery of mixed therapy of cancer in the presence of high model uncertainties [0.0]
  ダッシュボードは、結果の確率と関連する薬物使用量を減少状態空間のアイソ値曲線として要約した最も流動的な状態成分の2次元空間に構築可能であることが示されている。 ダッシュボードは、結果の確率と関連する薬物使用量を減少状態空間のアイソ値曲線として要約した最も流動的な状態成分の2次元空間に構築可能であることが示されている。
  論文  参考訳（メタデータ） (2022-05-16T07:08:50Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
  本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。 SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。 合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
  論文  参考訳（メタデータ） (2021-01-26T18:59:26Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Uncertainty Estimation in Medical Image Localization: Towards Robust Anterior Thalamus Targeting for Deep Brain Stimulation [11.910765921234333]
  本稿では,2段階の深層学習(DL)フレームワークを提案する。 第1段階は、脳MRI全体から視床領域を特定して収穫する。 第2段階は、最も微細な解像度スケールで目標をローカライズするために、収穫された体積に対してボクセル単位の回帰を行う。
  論文  参考訳（メタデータ） (2020-11-03T23:43:52Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)

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。