論文の概要: A Latent Risk-Aware Machine Learning Approach for Predicting Operational Success in Clinical Trials based on TrialsBank

• arxiv url: http://arxiv.org/abs/2603.29041v1
• Date: Mon, 30 Mar 2026 22:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.884209
• Title: A Latent Risk-Aware Machine Learning Approach for Predicting Operational Success in Clinical Trials based on TrialsBank
• Title（参考訳）: 臨床試験におけるリスク認識型機械学習による手術成功予測の試み
• Authors: Iness Halimi, Emmanuel Piffo, Oumnia Boudersa, Yvan Marcel Carre Vilmorin, Melissa Ait-ikhlef, Karima Kone, Andy Tan, Augustin Medina, Juliette Hernando, Sheila Ernest, Vatche Bartekian, Karine Lalonde, Mireille E Schnitzer, Gianolli Dorcelus,
• Abstract要約: 本稿では,臨床治験成功予測のための階層的潜在リスク認識機械学習フレームワークを提案する。 私たちは、Sorintellisが開発した独自のAI対応データベースであるTrialsBankのキュレートされたサブセットを使用しています。 フェーズI-IIIでは、F1スコアはそれぞれ0.93、0.92、0.91である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clinical trials are characterized by high costs, extended timelines, and substantial operational risk, yet reliable prospective methods for predicting trial success before initiation remain limited. Existing artificial intelligence approaches often focus on isolated metrics or specific development stages and frequently rely on variables unavailable at the trial design phase, limiting real-world applicability. We present a hierarchical latent risk-aware machine learning framework for prospective prediction of clinical trial operational success using a curated subset of TrialsBank, a proprietary AI-ready database developed by Sorintellis, comprising 13,700 trials. Operational success was defined as the ability to initiate, conduct, and complete a clinical trial according to planned timelines, recruitment targets, and protocol specifications through database lock. This approach decomposes operational success prediction into two modeling stages. First, intermediate latent operational risk factors are predicted using more than 180 drug- and trial-level features available before trial initiation. These predicted latent risks are then integrated into a downstream model to estimate the probability of operational success. A staged data-splitting strategy was employed to prevent information leakage, and models were benchmarked using XGBoost, CatBoost, and Explainable Boosting Machines. Across Phase I-III, the framework achieves strong out-of-sample performance, with F1-scores of 0.93, 0.92, and 0.91, respectively. Incorporating latent risk drivers improves discrimination of operational failures, and performance remains robust under independent inference evaluation. These results demonstrate that clinical trial operational success can be prospectively forecasted using a latent risk-aware AI framework, enabling early risk assessment and supporting data-driven clinical development decision-making.
• Abstract（参考訳）: 臨床試験の特徴は、高いコスト、拡張スケジュール、実質的な運用上のリスク、そして開始前の試験の成功を予測するための信頼性のある予測方法である。 既存の人工知能アプローチは、しばしば独立したメトリクスや特定の開発段階に焦点を当て、試行錯誤時に利用できない変数に依存し、現実の応用性を制限する。 本稿では,Sorintellisが開発したAI対応データベースTrialsBankのキュレートしたサブセットを用いて,臨床治験の成功予測のための階層的潜在リスク認識機械学習フレームワークを提案する。 運用の成功は、計画されたスケジュール、採用ターゲット、およびデータベースロックによるプロトコル仕様に従って臨床試験を開始し、実行し、完了する能力として定義された。 このアプローチは、運用成功予測を2つのモデリング段階に分解する。 第一に、中間潜伏運転リスク因子は、試薬開始前に利用可能な180以上の薬物レベルおよび試薬レベルの特徴を用いて予測される。 これらの予測潜在リスクを下流モデルに統合し、運用の成功確率を推定する。 XGBoost、CatBoost、Explainable Boosting Machinesを用いてモデルをベンチマークした。 フェーズI-IIIでは、F1スコアはそれぞれ0.93、0.92、0.91である。 潜在リスクドライバを組み込むことで、運用上の障害の識別が向上し、独立した推論評価の下では、パフォーマンスが堅牢である。 これらの結果は, 早期リスク評価とデータ駆動型臨床開発意思決定を支援するために, 潜在リスク認識型AIフレームワークを用いて, 臨床治験の成功を予測できることを実証した。

関連論文リスト

• Data-Driven Priors for Uncertainty-Aware Deterioration Risk Prediction with Multimodal Data [11.640422721732756]
  現在の機械学習モデルは、信頼性の高い不確実性推定を欠くことが多く、現実のデプロイメントを妨げる。 病院内リスク予測にマルチモーダルな臨床データを活用する予測不確実性フレームワークであるtextttMedCertAIn$を提案する。 公開データセットであるMIMIC-IVとMIMIC-CXRから,臨床時系列と胸部X線画像を用いて,これらの先行データを用いてモデルを訓練し,評価する。
  論文  参考訳（メタデータ） (2026-03-09T14:54:38Z)
• Early Risk Stratification of Dosing Errors in Clinical Trials Using Machine Learning [1.626552847072743]
  本研究の目的は、臨床試験の早期リスク階層化のための機械学習(ML)ベースのフレームワークを開発することである。 臨床Trials.govから42,112個のCT画像からなるデータセットを構築した。 CTは, 有害事象報告, MedDRA用語, Wilson自信区間から得られた高線量誤差率を示す2値ラベルを付与した。
  論文  参考訳（メタデータ） (2026-02-25T13:29:48Z)
• Deep Learning-based Prediction of Clinical Trial Enrollment with Uncertainty Estimates [0.43865042264488946]
  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)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
  臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。 本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。 タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
  論文  参考訳（メタデータ） (2023-04-07T23:04:27Z)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)
• 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)

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。