論文の概要: Deep Learning-based Prediction of Clinical Trial Enrollment with Uncertainty Estimates

• arxiv url: http://arxiv.org/abs/2507.23607v1
• Date: Thu, 31 Jul 2025 14:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.931127
• Title: Deep Learning-based Prediction of Clinical Trial Enrollment with Uncertainty Estimates
• Title（参考訳）: 深層学習に基づく不確かさ推定による臨床トライアルの予測
• Authors: Tien Huu Do, Antoine Masquelier, Nae Eoun Lee, Jonathan Crowther,
• Abstract要約: 患者登録の正確な予測は、試験の成功の重要な要因であり、計画段階における主要な課題の1つである。 本稿では,この重要な課題に対処する新しい深層学習手法を提案する。 提案手法は, 臨床治験において, 多数の施設に入院した患者数を効果的に予測できることを示す。
• 参考スコア（独自算出の注目度）: 1.7099366779394252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical trials are a systematic endeavor to assess the safety and efficacy of new drugs or treatments. Conducting such trials typically demands significant financial investment and meticulous planning, highlighting the need for accurate predictions of trial outcomes. Accurately predicting patient enrollment, a key factor in trial success, is one of the primary challenges during the planning phase. In this work, we propose a novel deep learning-based method to address this critical challenge. Our method, implemented as a neural network model, leverages pre-trained language models (PLMs) to capture the complexities and nuances of clinical documents, transforming them into expressive representations. These representations are then combined with encoded tabular features via an attention mechanism. To account for uncertainties in enrollment prediction, we enhance the model with a probabilistic layer based on the Gamma distribution, which enables range estimation. We apply the proposed model to predict clinical trial duration, assuming site-level enrollment follows a Poisson-Gamma process. We carry out extensive experiments on real-world clinical trial data, and show that the proposed method can effectively predict the number of patients enrolled at a number of sites for a given clinical trial, outperforming established baseline models.
• Abstract（参考訳）: 臨床試験は、新しい薬物や治療の安全性と有効性を評価するための体系的な取り組みである。 このような試行は、典型的にはかなりの財政投資と綿密な計画を必要とし、試行の結果の正確な予測の必要性を強調している。 患者登録の正確な予測は、試験の成功の重要な要因であり、計画段階における主要な課題の1つである。 本研究では,この重要な課題に対処する新しい深層学習手法を提案する。 ニューラルネットワークモデルとして実装された本手法では,プレトレーニング言語モデル(PLM)を用いて,臨床文書の複雑さやニュアンスを抽出し,表現表現に変換する。 これらの表現は、アテンション機構を介して符号化された表象特徴と結合される。 入学者予測の不確かさを考慮し,ガンマ分布に基づく確率層を用いたモデルを拡張し,範囲推定を可能にする。 本稿では,Poisson-Gamma 法に基づくサイトレベルの登録を前提として,臨床治験期間の予測に提案手法を適用した。 実世界の臨床試験データについて広範な実験を行い, 提案手法は, 確立されたベースラインモデルよりも高い精度で, 所定の臨床試験施設に登録した患者数を効果的に予測できることを実証した。

関連論文リスト

• Advancing clinical trial outcomes using deep learning and predictive modelling: bridging precision medicine and patient-centered care [0.0]
  深層学習と予測モデリングは、臨床試験設計、患者採用、リアルタイムモニタリングを最適化するための変換ツールとして登場した。 本研究では、畳み込みニューラルネットワーク(CNN)やトランスフォーマーモデルなどの深層学習技術の患者層化への応用について検討する。 生存分析や時系列予測を含む予測モデリング手法は、試行結果の予測、効率の向上、試行失敗率の低減に用いられている。
  論文  参考訳（メタデータ） (2024-12-09T23:20:08Z)
• 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)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 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)
• Personalized Event Prediction for Electronic Health Records [7.224184629864593]
  臨床イベントシーケンスは、時間内の患者のケアの記録を表す数百の臨床イベントから構成される。 臨床シーケンスの予測モデルを学ぶ上で重要な課題は、患者固有の多様性である。
  論文  参考訳（メタデータ） (2023-08-21T20:03:16Z)
• 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)
• Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
  EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。 集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。 我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-16T11:19:02Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。