論文の概要: Identifying and Characterising Response in Clinical Trials: Development and Validation of a Machine Learning Approach in Colorectal Cancer
- arxiv url: http://arxiv.org/abs/2603.00757v1
- Date: Sat, 28 Feb 2026 18:00:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.353927
- Title: Identifying and Characterising Response in Clinical Trials: Development and Validation of a Machine Learning Approach in Colorectal Cancer
- Title（参考訳）: 臨床試験における反応の同定と特徴づけ--大腸癌における機械学習アプローチの開発と検証
- Authors: Adam Marcus, Paul Agapow,
- Abstract要約: 精密医療は、臨床結果を大幅に改善する個別の治療を提供することで、医療を変革することを約束する。
現在のアプローチは治療の成功の静的な測定に限られており、ほとんどの臨床試験で繰り返し見られる措置を無視している。
提案手法は,ヴァーチャルツインズ法に基づく条件付きモデリングと処理効果推定を併用する。
肝転移性大腸癌に対する Panitumumab の有用性を検討した。
- 参考スコア（独自算出の注目度）: 0.45835414225547183
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Precision medicine promises to transform health care by offering individualised treatments that dramatically improve clinical outcomes. A necessary prerequisite is to identify subgroups of patients who respond differently to different therapies. Current approaches are limited to static measures of treatment success, neglecting the repeated measures found in most clinical trials. Our approach combines the concept of partly conditional modelling with treatment effect estimation based on the Virtual Twins method. The resulting time-specific responses to treatment are characterised using survLIME, an extension of Local Interpretable Model-agnostic Explanations (LIME) to survival data. Performance was evaluated using synthetic data and applied to clinical trials examining the effectiveness of panitumumab to treat metastatic colorectal cancer. An area under the receiver operating characteristic curve (AUC) of 0.77 for identifying fixed responders was achieved in a 1000 patient simulation. When considering dynamic responders, partly conditional modelling increased the AUC from 0.597 to 0.685. Applying the approach to colorectal cancer trials found genetic mutations, sites of metastasis, and ethnicity as important factors for response to treatment. Our approach can accommodate a dynamic response to treatment while potentially providing better performance than existing methods in instances of a fixed response to treatment. When applied to clinical data we attain results consistent with the literature.
- Abstract（参考訳）: 精密医療は、臨床結果を大幅に改善する個別の治療を提供することで、医療を変革することを約束する。
必要な前提条件は、異なる治療法に異なる反応をする患者のサブグループを特定することである。
現在のアプローチは治療の成功の静的な測定に限られており、ほとんどの臨床試験で繰り返し見られる措置を無視している。
提案手法は,ヴァーチャルツインズ法に基づく条件付きモデリングと処理効果推定を併用する。
治療に対する時間特異的反応は、生存データへの局所的解釈可能なモデル非依存的説明(LIME)の拡張であるsurvLIMEを用いて特徴づけられる。
肝転移性大腸癌に対する Panitumumab の有用性を検討した。
固定応答器を同定するための受信機動作特性曲線(AUC)の0.77以下の領域を1000人の患者シミュレーションで達成した。
動的応答器を考慮すると、部分的に条件付きモデリングによりAUCは0.597から0.685に増加した。
大腸癌の治験へのアプローチの適用により、遺伝子変異、転移部位、民族が治療に反応する重要な要因となった。
本手法は治療に対する動的応答に対応できるが, 治療に対する固定応答の場合, 既存の方法よりも優れた性能が得られる可能性がある。
臨床データに適用すると,文献と一致した結果が得られる。
関連論文リスト
- A Causal Machine Learning Framework for Treatment Personalization in Clinical Trials: Application to Ulcerative Colitis [0.7799711162530713]
本稿では,各質問を個別に評価するモジュール型因果機械学習フレームワークを提案する。
潰瘍性大腸炎に対する metekinumab の UNIFI 維持試験から得られた患者レベルデータに本枠組みを適用した。
論文 参考訳（メタデータ） (2026-02-09T00:26:30Z) - Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma [0.9165796164519936]
ネオアジュバント化学療法 (Neoadjuvant chemotherapy, NACT) は、手術前に腫瘍の負担を軽減するためにしばしば用いられるが、約40%の患者は反応が限られている。
放射能と機械学習(ML)を組み合わせることで、NAT応答を予測するための有望な非侵襲的手法を提供する。
本研究は,異なる特徴選択法を用いてNACTを施行したHGSOC患者の応答予測を改善することを目的とした。
論文 参考訳（メタデータ） (2026-01-13T11:29:02Z) - Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies [1.338174941551702]
個別治療体制(ITR)は、患者固有の特徴に基づいて治療を割り当てることにより、臨床結果を改善することを目的としている。
本稿では,潜在的結果のコントラストを目標とし,低次元部分空間を同定する,新しい十分次元削減手法を提案する。
提案手法は,緩やかな規則性条件下で,ベイズリスクに収束する普遍的整合性を実現することを示す。
論文 参考訳（メタデータ） (2026-01-11T05:38:08Z) - ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。
本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。
実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
論文 参考訳（メタデータ） (2025-12-29T12:58:58Z) - Adaptive Identification and Modeling of Clinical Pathways with Process Mining [4.810514867998534]
臨床経路は、患者の治療手順をモデル化する専門的な医療計画である。
プロセスマイニングを用いた2相モデリング手法を提案する。
我々はSARS-CoV-2感染症に対する患者治療をシミュレーションするベンチマークデータセットであるSyntheaを用いたアプローチを実証した。
論文 参考訳（メタデータ） (2025-12-03T13:37:37Z) - Prior-informed optimization of treatment recommendation via bandit algorithms trained on large language model-processed historical records [0.6875312133832079]
現在の医療実践は、患者個別のバリエーションを無視した標準化された治療枠組みと経験的手法に依存している。
本研究では,Large Language Models (LLMs), Conditional Tabular Generative Adversarial Networks (CTGAN), T-learner counterfactual model, and contextual bandit approachを統合した総合システムを構築した。
論文 参考訳（メタデータ） (2025-10-21T18:57:00Z) - 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) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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。