論文の概要: GASCADE: Grouped Summarization of Adverse Drug Event for Enhanced Cancer Pharmacovigilance

• arxiv url: http://arxiv.org/abs/2505.04284v1
• Date: Wed, 07 May 2025 09:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.032928
• Title: GASCADE: Grouped Summarization of Adverse Drug Event for Enhanced Cancer Pharmacovigilance
• Title（参考訳）: GASCADE : がん薬剤感受性増強のための逆薬イベントの集団要約
• Authors: Sofia Jamil, Aryan Dabad, Bollampalli Areen Reddy, Sriparna Saha, Rajiv Misra, Adil A. Shakur,
• Abstract要約: 本研究は、がん治療に同じ薬物を使用する複数の患者が報告した有害薬物事象をまとめまとめる作業を紹介する。 がん薬物移動における限られた資源の課題に対処するため,Multilabeled Cancer Adverse Drug Reaction and Summarization datasetを提案する。 本稿では,大規模言語モデルの情報抽出能力とエンコーダ・デコーダT5モデルの要約能力を組み合わせた新しいパイプラインであるGASCADE(Grouping and Abstractive Summarization of Cancer Adverse Drug Event)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.33767380854598
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the realm of cancer treatment, summarizing adverse drug events (ADEs) reported by patients using prescribed drugs is crucial for enhancing pharmacovigilance practices and improving drug-related decision-making. While the volume and complexity of pharmacovigilance data have increased, existing research in this field has predominantly focused on general diseases rather than specifically addressing cancer. This work introduces the task of grouped summarization of adverse drug events reported by multiple patients using the same drug for cancer treatment. To address the challenge of limited resources in cancer pharmacovigilance, we present the MultiLabeled Cancer Adverse Drug Reaction and Summarization (MCADRS) dataset. This dataset includes pharmacovigilance posts detailing patient concerns regarding drug efficacy and adverse effects, along with extracted labels for drug names, adverse drug events, severity, and adversity of reactions, as well as summaries of ADEs for each drug. Additionally, we propose the Grouping and Abstractive Summarization of Cancer Adverse Drug events (GASCADE) framework, a novel pipeline that combines the information extraction capabilities of Large Language Models (LLMs) with the summarization power of the encoder-decoder T5 model. Our work is the first to apply alignment techniques, including advanced algorithms like Direct Preference Optimization, to encoder-decoder models using synthetic datasets for summarization tasks. Through extensive experiments, we demonstrate the superior performance of GASCADE across various metrics, validated through both automated assessments and human evaluations. This multitasking approach enhances drug-related decision-making and fosters a deeper understanding of patient concerns, paving the way for advancements in personalized and responsive cancer care. The code and dataset used in this work are publicly available.
• Abstract（参考訳）: がん治療の分野では、所定の薬物を使用する患者によって報告される有害薬物事象(ADE)を要約することが、薬物移動の実践の強化と薬物関連意思決定の改善に不可欠である。 薬物移動データの量と複雑さは増加しているが、この分野での既存の研究は、特にがんに対処するよりも一般的な疾患に焦点を当てている。 本研究は、がん治療に同じ薬物を使用する複数の患者が報告した有害薬物事象をまとめまとめる作業を紹介する。 がん薬物移動における限られた資源の課題に対処するために,MCADRS(Multilabeled Cancer Adverse Drug Reaction and Summarization)データセットを提案する。 本データセットは、薬剤効果及び副作用に関する患者の懸念を詳述する薬剤検査ポストと、薬剤名、有害薬物イベント、重度、反応の逆境の抽出ラベルと、各薬物に対するADEの要約を含む。 さらに,大規模言語モデル(LLM)の情報抽出能力とエンコーダ・デコーダT5モデルの要約能力を組み合わせた新しいパイプラインであるGASCADE(Grouping and Abstractive Summarization of Cancer Adverse Drug Event)フレームワークを提案する。 我々の研究は、直接優先度最適化のような高度なアルゴリズムを含むアライメント手法を、合成データセットを用いて要約タスクをエンコーダ・デコーダモデルに適用する最初のものである。 広範囲な実験を通じて,自動評価と人的評価の両面からGASCADEの優れた性能を実証した。 このマルチタスクアプローチは、薬物関連の意思決定を強化し、患者の懸念をより深く理解し、パーソナライズされた反応するがん治療における進歩の道を開く。 この作業で使用されるコードとデータセットが公開されている。

関連論文リスト

• Enhancing drug and cell line representations via contrastive learning for improved anti-cancer drug prioritization [0.7070726553564699]
  本稿では,学習薬物や細胞株の表現を改善するために,対照的な学習法を提案する。 我々の学習した表現は、予測を行う際、薬物および細胞由来の特徴によりバランスがとれることが分かりました。
  論文  参考訳（メタデータ） (2023-10-20T04:18:47Z)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• A clustering and graph deep learning-based framework for COVID-19 drug repurposing [0.3359875577705538]
  本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。 データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。 当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
  論文  参考訳（メタデータ） (2023-06-24T15:00:47Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• PHEE: A Dataset for Pharmacovigilance Event Extraction from Text [42.365919892504415]
  PHEEは、医療事例報告と生物医学文献から5000以上の注釈付きイベントを含む、薬物移動のための新しいデータセットである。 患者の人口統計,治療,および(側)効果に関する粗くきめ細かな情報を提供するために設計された階層型イベントスキーマについて述べる。
  論文  参考訳（メタデータ） (2022-10-22T21:57:42Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

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。