Fugu-MT 論文翻訳(概要): How many patients could we save with LLM priors?

論文の概要: How many patients could we save with LLM priors?

arxiv url: http://arxiv.org/abs/2509.04250v1
Date: Thu, 04 Sep 2025 14:23:35 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-05 20:21:10.186853
Title: How many patients could we save with LLM priors?
Title（参考訳）: LLMプリエントで何人の患者を救えるか?
Authors: Shota Arai, David Selby, Andrew Vargo, Sebastian Vollmer,
Abstract要約: 多施設臨床試験における有害事象の階層的ベイズモデリングのための新しい枠組みを提案する。我々の手法は,事前学習された大言語モデル(LLM)を用いて,モデルから事前情報を直接取得する。この方法論は、より効率的で専門家にインフォームドされた臨床試験設計の道を開く。
参考スコア（独自算出の注目度）: 1.8421433205488897
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Imagine a world where clinical trials need far fewer patients to achieve the same statistical power, thanks to the knowledge encoded in large language models (LLMs). We present a novel framework for hierarchical Bayesian modeling of adverse events in multi-center clinical trials, leveraging LLM-informed prior distributions. Unlike data augmentation approaches that generate synthetic data points, our methodology directly obtains parametric priors from the model. Our approach systematically elicits informative priors for hyperparameters in hierarchical Bayesian models using a pre-trained LLM, enabling the incorporation of external clinical expertise directly into Bayesian safety modeling. Through comprehensive temperature sensitivity analysis and rigorous cross-validation on real-world clinical trial data, we demonstrate that LLM-derived priors consistently improve predictive performance compared to traditional meta-analytical approaches. This methodology paves the way for more efficient and expert-informed clinical trial design, enabling substantial reductions in the number of patients required to achieve robust safety assessment and with the potential to transform drug safety monitoring and regulatory decision making.
Abstract（参考訳）: 大きな言語モデル(LLM)に符号化された知識のおかげで、同じ統計力を達成するために、臨床試験がはるかに少ない患者を必要としている世界を想像してください。マルチセンター臨床試験における有害事象の階層的ベイズモデリングのための新しい枠組みについて述べる。合成データポイントを生成するデータ拡張アプローチとは異なり,本手法はモデルから直接パラメトリック先行値を取得する。提案手法は, 階層型ベイズモデルにおいて, 事前学習したLCMを用いて過度パラメータの事前情報を体系的に抽出し, ベイズモデルに直接外部臨床専門知識を組み込むことを可能にした。実世界の臨床試験データに対する総合的な温度感受性分析と厳密なクロスバリデーションを通じて,LSM由来の先行研究が従来のメタ分析手法と比較して予測性能を一貫して改善することが実証された。この手法は、より効率的で専門家による治験設計の道を開き、堅牢な安全性評価を達成するために必要な患者数を大幅に削減し、医薬品の安全性監視と規制決定を変革する可能性を秘めている。

関連論文リスト

LiveClin: A Live Clinical Benchmark without Leakage [50.45415584327275]
LiveClinは、実際の臨床実践を近似するために設計されたライブベンチマークである。本研究は,患者を臨床経過全体にわたる複雑なマルチモーダルな評価シナリオに転換する。 LiveClin上で26のモデルを評価すると、これらの実世界のシナリオの難しさが明らかとなり、最高性能のモデルではケース精度が35.7%に達した。
論文参考訳（メタデータ） (2026-02-18T03:59:46Z)
A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-01-29T18:48:21Z)
Expert-guided Clinical Text Augmentation via Query-Based Model Collaboration [13.279553235224988]
大規模言語モデル(LLM)はこの目的のために強力な生成能力を示している。医療などのハイテイク分野における彼らの応用は、臨床的に誤った情報や誤解を招くリスクがあるため、ユニークな課題を呈している。本稿では、エキスパートレベルのドメイン知識を統合して拡張プロセスをガイドする、新しいクエリベースのモデルコラボレーションフレームワークを提案する。
論文参考訳（メタデータ） (2025-09-25T20:18:39Z)
Deep Learning-based Prediction of Clinical Trial Enrollment with Uncertainty Estimates [1.7099366779394252]
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。
論文参考訳（メタデータ） (2025-07-31T14:47:16Z)
AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
論文参考訳（メタデータ） (2024-11-26T10:13:39Z)
Stronger Baseline Models -- A Key Requirement for Aligning Machine Learning Research with Clinical Utility [0.0]
機械学習モデルを高精細な臨床環境にデプロイしようとするとき、よく知られた障壁が存在する。評価において,より強力なベースラインモデルを含むと,下流効果が重要となることを実証的に示す。本稿では,MLモデルを臨床現場でより効果的に研究・展開するためのベストプラクティスを提案する。
論文参考訳（メタデータ） (2024-09-18T16:38:37Z)
Towards Automatic Evaluation for LLMs' Clinical Capabilities: Metric, Data, and Algorithm [15.627870862369784]
大規模言語モデル (LLMs) は, 臨床診断の効率向上への関心が高まっている。臨床サービス提供におけるLCMの能力を評価するための自動評価パラダイムを提案する。
論文参考訳（メタデータ） (2024-03-25T06:17:54Z)
Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
論文参考訳（メタデータ） (2024-02-05T08:25:22Z)
Improving Clinical Decision Support through Interpretable Machine Learning and Error Handling in Electronic Health Records [6.594072648536156]
Trust-MAPSは、臨床領域の知識を高次元の混合整数プログラミングモデルに変換する。信頼スコアは、臨床決定支援タスクの予測性能を高めるだけでなく、MLモデルに解釈可能性を与える臨床的に有意義な特徴として出現する。
論文参考訳（メタデータ） (2023-08-21T15:14:49Z)
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 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。