論文の概要: SHIELD: Semantic Heterogeneity Integrated Embedding for Latent Discovery in Clinical Trial Safety Signals

• arxiv url: http://arxiv.org/abs/2602.19855v1
• Date: Mon, 23 Feb 2026 13:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.838054
• Title: SHIELD: Semantic Heterogeneity Integrated Embedding for Latent Discovery in Clinical Trial Safety Signals
• Title（参考訳）: ShiELD: 臨床的安全信号の潜在発見のためのセマンティックな不均一性統合埋め込み
• Authors: Francois Vandenhende, Anna Georgiou, Theodoros Psaras, Ellie Karekla,
• Abstract要約: ShiELDは、臨床試験における安全信号の自動検出と統合化のための新しい手法である。 MedDRA項埋め込みに適用された有害事象項のセマンティッククラスタリングと不均等性解析を組み合わせている。 結果のクラスタには、大きな言語モデルを使用したシンドロームレベルの要約ラベルがアノテートされる。
• 参考スコア（独自算出の注目度）: 1.8620638885220202
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present SHIELD, a novel methodology for automated and integrated safety signal detection in clinical trials. SHIELD combines disproportionality analysis with semantic clustering of adverse event (AE) terms applied to MedDRA term embeddings. For each AE, the pipeline computes an information-theoretic disproportionality measure (Information Component) with effect size derived via empirical Bayesian shrinkage. A utility matrix is constructed by weighting semantic term-term similarities by signal magnitude, followed by spectral embedding and clustering to identify groups of related AEs. Resulting clusters are annotated with syndrome-level summary labels using large language models, yielding a coherent, data-driven representation of treatment-associated safety profiles in the form of a network graph and hierarchical tree. We implement the SHIELD framework in the context of a single-arm incidence summary, to compare two treatment arms or for the detection of any treatment effect in a multi-arm trial. We illustrate its ability to recover known safety signals and generate interpretable, cluster-based summaries in a real clinical trial example. This work bridges statistical signal detection with modern natural language processing to enhance safety assessment and causal interpretation in clinical trials.
• Abstract（参考訳）: 臨床検査における安全信号検出の自動化と統合のための新しい手法であるShielDを提案する。 ShiELDは、MedDRA項の埋め込みに適用された有害事象(AE)項のセマンティッククラスタリングと不均等性分析を組み合わせている。 各AEに対して、パイプラインは、経験的ベイズ収縮によって導出される効果サイズの情報理論的不均等度尺度(情報成分)を演算する。 実用行列は、信号の大きさによって意味的長期的類似性を重み付けし、続いてスペクトル埋め込みとクラスタリングを行い、関連するAEの群を識別する。 得られたクラスタは、大きな言語モデルを使用してシンドロームレベルの要約ラベルで注釈付けされ、ネットワークグラフと階層ツリーの形式で、処理に関連する安全プロファイルを一貫性のあるデータ駆動で表現する。 2つの治療用腕を比較したり、マルチアーム臨床試験でどのような治療効果も検出するために、単腕入射サマリーの文脈でShiELDフレームワークを実装した。 実際の臨床試験例で、既知の安全信号を回復し、解釈可能なクラスタベースの要約を生成する能力について説明する。 この研究は、統計信号検出を現代の自然言語処理にブリッジし、臨床試験における安全性評価と因果解釈を強化する。

関連論文リスト

• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Automated PRO-CTCAE Symptom Selection based on Prior Adverse Event Profiles [1.7573009491327234]
  本稿では,過去の安全データに基づいて,最小限かつ包括的なProto-CTCAEサブセットを自動選択する手法を提案する。 有害事象PTの履歴リストに関連のある候補POP項目をそれぞれスコアし,関連性と頻度を実用機能に組み合わせた。 このアプローチは、MedDRAのセマンティクスと履歴データを活用することにより、Proto-CTCAE設計を合理化することができる。
  論文  参考訳（メタデータ） (2025-12-07T16:56:27Z)
• Knowledge-based Graphical Method for Safety Signal Detection in Clinical Trials [1.6733877161852464]
  臨床治験における治療・発疹性有害事象(AE)をレビューするための知識ベース手法を提案する。 このアプローチは、2次元マップ内の用語間のセマンティックな関係をキャプチャする隠れ医療知識層(Safeterm)を追加することで、MedDRAを強化する。
  論文  参考訳（メタデータ） (2025-11-24T09:42:58Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• CAS-GAN for Contrast-free Angiography Synthesis [15.450328147657531]
  ヨウ化コントラスト剤は、多くの介入手順で広く利用されるが、患者にかなりの健康リスクをもたらす。 本稿では,X線アンギオグラフィーを合成するための「仮想コントラスト剤」として機能する新しいGANフレームワークであるCAS-GANを提案する。 CAS-GANのFIDは5.87,MDは0.016であった。
  論文  参考訳（メタデータ） (2024-10-11T03:31:40Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)

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。