論文の概要: Smart Trial: Evaluating the Use of Large Language Models for Recruiting Clinical Trial Participants via Social Media

• arxiv url: http://arxiv.org/abs/2509.10584v1
• Date: Fri, 12 Sep 2025 01:34:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.685063
• Title: Smart Trial: Evaluating the Use of Large Language Models for Recruiting Clinical Trial Participants via Social Media
• Title（参考訳）: スマートトライアル:ソーシャルメディアによる臨床試験参加者の検索における大規模言語モデルの利用評価
• Authors: Xiaofan Zhou, Zisu Wang, Janice Krieger, Mohan Zalake, Lu Cheng,
• Abstract要約: この研究は、個人がソーシャルメディアプラットフォーム上で共有する膨大な健康関連情報を活用することで、採用の課題に対処する。 本研究は,大腸癌および前立腺癌に対する2つのソーシャルメディアコレクションからなる新しいデータセットであるTRIALQAを紹介する。 公的な実世界のCTからの可視性基準を用いて、経験的アノテータを雇い、トリアルQAにアノテートする。 ソーシャルメディア利用者が 所定の適格基準を満たしているかどうか CTへの参加に関心がある理由を 利用者が明記している。
• 参考スコア（独自算出の注目度）: 7.0438265762760635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical trials (CT) are essential for advancing medical research and treatment, yet efficiently recruiting eligible participants -- each of whom must meet complex eligibility criteria -- remains a significant challenge. Traditional recruitment approaches, such as advertisements or electronic health record screening within hospitals, are often time-consuming and geographically constrained. This work addresses the recruitment challenge by leveraging the vast amount of health-related information individuals share on social media platforms. With the emergence of powerful large language models (LLMs) capable of sophisticated text understanding, we pose the central research question: Can LLM-driven tools facilitate CT recruitment by identifying potential participants through their engagement on social media? To investigate this question, we introduce TRIALQA, a novel dataset comprising two social media collections from the subreddits on colon cancer and prostate cancer. Using eligibility criteria from public real-world CTs, experienced annotators are hired to annotate TRIALQA to indicate (1) whether a social media user meets a given eligibility criterion and (2) the user's stated reasons for interest in participating in CT. We benchmark seven widely used LLMs on these two prediction tasks, employing six distinct training and inference strategies. Our extensive experiments reveal that, while LLMs show considerable promise, they still face challenges in performing the complex, multi-hop reasoning needed to accurately assess eligibility criteria.
• Abstract（参考訳）: 臨床試験(CT)は、医学研究と治療の推進に不可欠だが、適格な参加者(それぞれが複雑な適格基準を満たす必要がある)を効果的に募集することは、依然として大きな課題である。 病院内の広告や電子カルテのスクリーニングといった伝統的な採用アプローチは、しばしば時間と地理的に制約される。 この研究は、個人がソーシャルメディアプラットフォーム上で共有する膨大な健康関連情報を活用することで、採用の課題に対処する。 高度なテキスト理解が可能な強力な大規模言語モデル(LLM)の出現に伴い、我々は中心的な研究課題を提起する: LLM駆動のツールは、ソーシャルメディア上でのエンゲージメントを通じて潜在的参加者を特定することによって、CT採用を促進することができるか? 本研究は,大腸癌および前立腺癌に対する2つのソーシャルメディアコレクションからなる新しいデータセットであるTRIALQAを紹介する。 経験者アノテータは,公共の現実のCTからの適性基準を用いて,(1)ソーシャルメディア利用者が所定の適性基準を満たしているか否か,(2)利用者がCTに参加することに興味を持っている理由を示すために,トリアルQAを注釈する。 これら2つの予測タスクで広く使用されている7つのLSMをベンチマークし、6つの異なるトレーニングと推論戦略を用いた。 我々の広範な実験によると、LLMは相当な有望性を示すが、高い適性基準を正確に評価するために必要な複雑なマルチホップ推論を行う上で、依然として課題に直面している。

関連論文リスト

• Architecting Clinical Collaboration: Multi-Agent Reasoning Systems for Multimodal Medical VQA [1.2744523252873352]
  遠隔医療による皮膚科医療は、しばしば個人訪問の豊かな文脈を欠いている。 本研究は,6つの構成にまたがる医用視覚質問応答の視覚言語モデルについて検討した。
  論文  参考訳（メタデータ） (2025-07-07T22:31:56Z)
• Lingshu: A Generalist Foundation Model for Unified Multimodal Medical Understanding and Reasoning [57.873833577058]
  医療知識の豊富なマルチモーダルデータセットを構築した。 次に医学専門のMLLMであるLingshuを紹介します。 Lingshuは、医療専門知識の組み込みとタスク解決能力の向上のために、マルチステージトレーニングを行っている。
  論文  参考訳（メタデータ） (2025-06-08T08:47:30Z)
• Recommending Clinical Trials for Online Patient Cases using Artificial Intelligence [4.272774624624429]
  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。
  論文  参考訳（メタデータ） (2025-04-15T21:56:36Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Clinical trial cohort selection using Large Language Models on n2c2 Challenges [3.0208841164563838]
  大規模言語モデル(LLM)は、テキストの微妙な理解を得ることによって、様々なNLPタスクで人気を集めている。 簡単なコホート選択タスクのためのLLMの導入は期待できるが,より詳細な知識と推論が必要な場合には,これらのモデルが直面する困難を浮き彫りにする。
  論文  参考訳（メタデータ） (2025-01-19T17:07:02Z)
• LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
  LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。 本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。 実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
  論文  参考訳（メタデータ） (2025-01-07T08:49:04Z)
• Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
  大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。 本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-24T15:41:56Z)
• Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model [0.7373617024876725]
  臨床試験は医薬品の介入を促進するのに不可欠であるが、適格な参加者を選ぶ際にボトルネックに直面している。 構造化されていない医療用テキストの複雑な性質は、参加者を効率的に識別する上での課題である。 本研究では,コホート選択課題に対するプロンプトベース大規模言語モデルの性能評価を目的とした。
  論文  参考訳（メタデータ） (2024-04-24T20:42:28Z)
• Zero-Shot Clinical Trial Patient Matching with LLMs [40.31971412825736]
  大規模言語モデル(LLM)は、自動スクリーニングの有望なソリューションを提供する。 我々は,患者の診療歴を非構造的臨床テキストとして考慮し,その患者が包括的基準を満たしているかどうかを評価するLCMベースのシステムを構築した。 提案システムは,n2c2 2018コホート選択ベンチマークにおいて,最先端のスコアを達成している。
  論文  参考訳（メタデータ） (2024-02-05T00:06:08Z)

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。