論文の概要: Recommending Clinical Trials for Online Patient Cases using Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2504.20059v1
• Date: Tue, 15 Apr 2025 21:56:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 01:46:36.929903
• Title: Recommending Clinical Trials for Online Patient Cases using Artificial Intelligence
• Title（参考訳）: 人工知能を用いたオンライン患者に対する治験の見直し
• Authors: Joey Chan, Qiao Jin, Nicholas Wan, Charalampos S. Floudas, Elisabetta Xue, Zhiyong Lu,
• Abstract要約: われわれはTrialGPTを用いて,50例のオンライン患者を臨床試験に適合させ,従来のキーワード検索と比較して評価した。 以上の結果から,TrialGPTは従来の方法よりも46%優れており,各患者は平均で約7回の治験が可能であった。
• 参考スコア（独自算出の注目度）: 4.272774624624429
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical trials are crucial for assessing new treatments; however, recruitment challenges - such as limited awareness, complex eligibility criteria, and referral barriers - hinder their success. With the growth of online platforms, patients increasingly turn to social media and health communities for support, research, and advocacy, expanding recruitment pools and established enrollment pathways. Recognizing this potential, we utilized TrialGPT, a framework that leverages a large language model (LLM) as its backbone, to match 50 online patient cases (collected from published case reports and a social media website) to clinical trials and evaluate performance against traditional keyword-based searches. Our results show that TrialGPT outperforms traditional methods by 46% in identifying eligible trials, with each patient, on average, being eligible for around 7 trials. Additionally, our outreach efforts to case authors and trial organizers regarding these patient-trial matches yielded highly positive feedback, which we present from both perspectives.
• Abstract（参考訳）: 臨床試験は、新しい治療法を評価するために重要であるが、限られた認識、複雑な適性基準、参照障壁などの採用課題は、彼らの成功を妨げている。 オンラインプラットフォームの成長に伴い、患者はサポート、研究、擁護のためにソーシャルメディアや医療コミュニティに目を向け、採用プールを拡大し、入学経路を確立している。 この可能性を認識し,大規模言語モデル(LLM)をバックボーンとして活用するフレームワークであるTrialGPTを用いて,50例のオンライン患者(報告された症例報告とソーシャルメディアのWebサイトから収集した)を臨床試験に適合させ,従来のキーワードベースの検索に対するパフォーマンス評価を行った。 以上の結果から,TrialGPTは従来の方法よりも46%優れており,各患者は平均で約7回の治験が可能であった。 さらに,これらの患者と臨床の整合性について,著者や試行錯誤者に対して,高い肯定的なフィードバックが得られ,両者の観点から考察した。

関連論文リスト

• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• 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)
• Matching Patients to Clinical Trials with Large Language Models [29.265158319106604]
  本稿では,大規模言語モデルを用いたゼロショット患者間マッチングのためのエンドツーエンドフレームワークTrialGPTを紹介する。 TrialGPTは3つのモジュールから構成されており、まず大規模フィルタリングを行い、候補トライアル(TrialGPT-Retrieval)を検索し、次に基準レベルの患者資格(TrialGPT-Matching)を予測し、最終的にトライアルレベルのスコア(TrialGPT-Ranking)を生成する。
  論文  参考訳（メタデータ） (2023-07-27T17:56:56Z)
• Utilizing ChatGPT to Enhance Clinical Trial Enrollment [2.3551878971309947]
  本稿では,大規模言語モデルであるChatGPTを用いて患者関連情報を非構造化臨床ノートから抽出する自動アプローチを提案する。 2つのベンチマーク検索コレクションで実施した経験的評価では,既存手法と比較して検索性能が向上した。 以上の結果から,ChatGPTを医療サービスの品質を確保し,患者への直接的なリスクを最小限に抑えつつ,臨床治験の増進に活用する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-03T10:54:23Z)
• Towards Fair Patient-Trial Matching via Patient-Criterion Level Fairness Constraint [50.35075018041199]
  本研究は,患者基準値の公正度制約を発生させることにより,公正な患者間マッチングの枠組みを提案する。 実世界における患者基準と患者基準の整合性に関する実験結果から,提案手法が偏りやすい予測を効果的に緩和できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T03:59:19Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• 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)

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。