論文の概要: POET: Protocol Optimization via Eligibility Tuning

• arxiv url: http://arxiv.org/abs/2602.00370v1
• Date: Fri, 30 Jan 2026 22:32:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.140484
• Title: POET: Protocol Optimization via Eligibility Tuning
• Title（参考訳）: POET: 信頼性チューニングによるプロトコル最適化
• Authors: Trisha Das, Katherine Kero, Dorinda Schumann, Tracy Ohrt, Sanjit Singh Batra, Gregory D Lyng, Robert E. Tillman,
• Abstract要約: ステアEC生成に解釈可能なセマンティック軸を導入するためのガイド付き生成フレームワークを提案する。 これらの軸は特異性とユーザビリティの中間の基盤を提供し、臨床医は正確な実体を特定せずに生成をガイドすることができる。 以上の結果から, ガイド生成アプローチは, 自動, ルーリックベース, 臨床評価において, 無ガイド生成よりも一貫して優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 1.4267510278572033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Eligibility criteria (EC) are essential for clinical trial design, yet drafting them remains a time-intensive and cognitively demanding task for clinicians. Existing automated approaches often fall at two extremes either requiring highly structured inputs, such as predefined entities to generate specific criteria, or relying on end-to-end systems that produce full eligibility criteria from minimal input such as trial descriptions limiting their practical utility. In this work, we propose a guided generation framework that introduces interpretable semantic axes, such as Demographics, Laboratory Parameters, and Behavioral Factors, to steer EC generation. These axes, derived using large language models, offer a middle ground between specificity and usability, enabling clinicians to guide generation without specifying exact entities. In addition, we present a reusable rubric-based evaluation framework that assesses generated criteria along clinically meaningful dimensions. Our results show that our guided generation approach consistently outperforms unguided generation in both automatic, rubric-based and clinician evaluations, offering a practical and interpretable solution for AI-assisted trial design.
• Abstract（参考訳）: 資格基準 (EC) は臨床治験設計に必須であるが, 臨床医には時間的・認知的に要求される課題である。 既存の自動化アプローチは、特定の基準を生成するために事前定義されたエンティティのような高度に構造化されたインプットを必要とするか、あるいは実用性を制限するトライアル記述のような最小限のインプットから完全な資格基準を生成するエンドツーエンドシステムに依存するかの2つの極端に陥ることが多い。 本研究は,EC 生成を支援するために,Demographics, Laboratory Parameters, Behavioral Factors などの解釈可能な意味軸を導入したガイド付き生成フレームワークを提案する。 これらの軸は、大きな言語モデルを用いて導出され、特異性とユーザビリティの間の中間的な基盤を提供し、臨床医は正確な実体を特定せずに生成をガイドすることができる。 さらに, 臨床的に有意な次元に沿って生成基準を評価する, 再利用可能なルーリックベース評価フレームワークを提案する。 以上の結果から,我々のガイド生成アプローチは,自動,ルーリックベース,クリニカル評価において,非ガイド生成よりも一貫して優れており,AIによる治験設計のための実用的で解釈可能なソリューションを提供する。

関連論文リスト

• AgentScore: Autoformulation of Deployable Clinical Scoring Systems [45.88028371034407]
  本稿では,単位重み付き臨床チェックリストのセマンティックガイドによる最適化を行うAgentScoreを紹介する。 AgentScoreは既存のスコア生成方法より優れており、より柔軟な解釈可能なモデルに匹敵するAUCを実現している。 さらに2つの外部検証タスクにおいて、AgentScoreは、確立されたガイドラインベースのスコアよりも高い差別を達成する。
  論文  参考訳（メタデータ） (2026-01-29T21:11:06Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching [0.0]
  本稿では,患者間マッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。 微調整されたオープンソースの大規模言語モデルに基づいて構築されたTrialMatchAIは、透明性を確保し、軽量なデプロイメントフットプリントを維持する。 現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。
  論文  参考訳（メタデータ） (2025-05-13T12:39:06Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• AutoTrial: Prompting Language Models for Clinical Trial Design [53.630479619856516]
  本稿では,言語モデルを用いた臨床検査基準の設計を支援するAutoTrialという手法を提案する。 70K以上の臨床試験で、AutoTrialが高品質な基準テキストを生成することが確認された。
  論文  参考訳（メタデータ） (2023-05-19T01:04:16Z)

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。