論文の概要: SECRET: Semi-supervised Clinical Trial Document Similarity Search

• arxiv url: http://arxiv.org/abs/2505.10780v1
• Date: Fri, 16 May 2025 01:34:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:13.862815
• Title: SECRET: Semi-supervised Clinical Trial Document Similarity Search
• Title（参考訳）: SECRET: 半監督的な臨床試験文書類似検索
• Authors: Trisha Das, Afrah Shafquat, Beigi Mandis, Jacob Aptekar, Jimeng Sun,
• Abstract要約: 本稿では,臨床試験プロトコルを要約し,クエリートライアルのプロトコルに基づいて類似の試行を探索することにより,類似の歴史的試行を識別する新しい手法を提案する。 我々のアプローチはすべてのベースラインを大きく上回り、リコール@1の78%の改善と、最高のベースラインに対する精度@1の53%の改善を実現しました。
• 参考スコア（独自算出の注目度）: 22.008566744843353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical trials are vital for evaluation of safety and efficacy of new treatments. However, clinical trials are resource-intensive, time-consuming and expensive to conduct, where errors in trial design, reduced efficacy, and safety events can result in significant delays, financial losses, and damage to reputation. These risks underline the importance of informed and strategic decisions in trial design to mitigate these risks and improve the chances of a successful trial. Identifying similar historical trials is critical as these trials can provide an important reference for potential pitfalls and challenges including serious adverse events, dosage inaccuracies, recruitment difficulties, patient adherence issues, etc. Addressing these challenges in trial design can lead to development of more effective study protocols with optimized patient safety and trial efficiency. In this paper, we present a novel method to identify similar historical trials by summarizing clinical trial protocols and searching for similar trials based on a query trial's protocol. Our approach significantly outperforms all baselines, achieving up to a 78% improvement in recall@1 and a 53% improvement in precision@1 over the best baseline. We also show that our method outperforms all other baselines in partial trial similarity search and zero-shot patient-trial matching, highlighting its superior utility in these tasks.
• Abstract（参考訳）: 臨床試験は、新しい治療の安全性と有効性を評価するのに不可欠である。 しかし、臨床試験は資源集約的であり、時間がかかり、コストがかかるため、トライアル設計におけるエラー、有効性の低下、安全イベントは重大な遅延、金銭的損失、評判の損なわれる可能性がある。 これらのリスクは、これらのリスクを緩和し、試験を成功させる可能性を改善するために、トライアル設計における情報的および戦略的決定の重要性を浮き彫りにする。 同様の歴史的トライアルの特定は、深刻な不適切な出来事、服用不正確性、採用困難、患者の服従問題など、潜在的な落とし穴や課題への重要な参照を提供するため、非常に重要である。 トライアルデザインにおけるこれらの課題に対処することは、患者安全性と治験効率を最適化したより効果的な研究プロトコルの開発につながる可能性がある。 本稿では,臨床治験のプロトコルを要約し,クエリートライアルのプロトコルに基づいて類似の試行を探索することにより,類似の歴史的試行を識別する新しい手法を提案する。 私たちのアプローチはすべてのベースラインを大きく上回り、リコール@1の78%の改善と、最高のベースラインに対する精度@1の53%の改善を実現しています。 また,本手法は,部分的トライアル類似性検索やゼロショット患者と臨床の整合性検索において,他のすべてのベースラインよりも優れており,これらの課題において優れた実用性を示している。

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)
• TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction [19.084936647082632]
  マルチモーダルデータを用いて臨床試験期間を推定する機械学習に基づくTrialDuraを提案する。 バイオメディカルコンテキストに特化されたBio-BERT埋め込みにエンコードして,より深く,より関連するセマンティック理解を提供する。 提案モデルでは, 平均絶対誤差(MAE)が1.04年, 根平均二乗誤差(RMSE)が1.39年であった。
  論文  参考訳（メタデータ） (2024-04-20T02:12:59Z)
• Towards quantum computing for clinical trial design and optimization: A perspective on new opportunities and challenges [0.250217476520467]
  本稿では,臨床治験設計および最適化における現状の課題について検討する。 焦点は、臨床試験シミュレーション、サイト選択、コホート識別の3つの重要な側面に焦点を当てている。
  論文  参考訳（メタデータ） (2024-04-19T18:00:25Z)
• SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
  臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。 本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。 タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
  論文  参考訳（メタデータ） (2023-04-07T23:04:27Z)
• 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)
• 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)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

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。