論文の概要: Scalable High-Recall Constraint-Satisfaction-Based Information Retrieval for Clinical Trials Matching

• arxiv url: http://arxiv.org/abs/2604.08849v1
• Date: Fri, 10 Apr 2026 01:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.62391
• Title: Scalable High-Recall Constraint-Satisfaction-Based Information Retrieval for Clinical Trials Matching
• Title（参考訳）: クリニカルトライアルマッチングのためのスケーラブルなハイリコール制約に基づく情報検索
• Authors: Cyrus Zhou, Yufei Jin, Yilin Xu, Yu-Chiang Wang, Chieh-Ju Chao, Monica S. Lam,
• Abstract要約: SatIRは制約満足度に基づくスケーラブルな臨床試験検索手法である。 患者1人当たり32%から72%の関連性のある臨床試験を回収し、22～38ポイントの有益な治験の合併に関するリコールを改善し、少なくとも1回の有益な治験を行う患者を増やそうとしている。
• 参考スコア（独自算出の注目度）: 6.8676517997589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical trials are central to evidence-based medicine, yet many struggle to meet enrollment targets, despite the availability of over half a million trials listed on ClinicalTrials.gov, which attracts approximately two million users monthly. Existing retrieval techniques, largely based on keyword and embedding-similarity matching between patient profiles and eligibility criteria, often struggle with low recall, low precision, and limited interpretability due to complex constraints. We propose SatIR, a scalable clinical trial retrieval method based on constraint satisfaction, enabling high-precision and interpretable matching of patients to relevant trials. Our approach uses formal methods -- Satisfiability Modulo Theories (SMT) and relational algebra -- to efficiently represent and match key constraints from clinical trials and patient records. Beyond leveraging established medical ontologies and conceptual models, we use Large Language Models (LLMs) to convert informal reasoning regarding ambiguity, implicit clinical assumptions, and incomplete patient records into explicit, precise, controllable, and interpretable formal constraints. Evaluated on 59 patients and 3,621 trials, SatIR outperforms TrialGPT on all three evaluated retrieval objectives. It retrieves 32%-72% more relevant-and-eligible trials per patient, improves recall over the union of useful trials by 22-38 points, and serves more patients with at least one useful trial. Retrieval is fast, requiring 2.95 seconds per patient over 3,621 trials. These results show that SatIR is scalable, effective, and interpretable.
• Abstract（参考訳）: 臨床試験はエビデンスベースの医療の中心であるが、毎月約200万人のユーザーを惹きつけているCricerTrials.govに登録された50万件以上の試験が利用可能であるにもかかわらず、入学者の目標を達成するのに苦労している。 既存の検索手法は主に、患者プロファイルと適度基準のキーワードと埋め込み類似性マッチングに基づいており、しばしばリコールの低さ、精度の低さ、複雑な制約による限定的な解釈性に苦しむ。 制約満足度に基づくスケーラブルな臨床試験検索手法であるSatIRを提案する。 本手法では,SMT(Satifiability Modulo Theories)とリレーショナル代数(Relational algebra)という形式的手法を用いて,臨床治験や患者の記録から重要な制約を効率的に表現し,一致させる。 確立された医療オントロジーや概念モデルを活用するだけでなく、曖昧さ、暗黙的な臨床仮定、不完全な患者の記録に関する非公式な推論を明示的で正確で、制御可能で、解釈可能な形式的制約に変換するために、Large Language Models (LLMs) を用いています。 59例, 臨床試験3,621例において, SatIRはTrialGPTよりも高い成績を示した。 患者1人当たり32%-72%の関連性のある治験を回収し、22-38ポイントの有益な治験の合併に関するリコールを改善し、少なくとも1回の有益な治験でより多くの患者に役立てる。 検索は高速で、患者1人あたり2.95秒で3,621回の臨床試験を行う。 これらの結果は、SatIRはスケーラブルで、効果的で、解釈可能であることを示している。

関連論文リスト

• 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)
• Matching Patients to Clinical Trials with Large Language Models [29.265158319106604]
  本稿では,大規模言語モデルを用いたゼロショット患者間マッチングのためのエンドツーエンドフレームワークTrialGPTを紹介する。 TrialGPTは3つのモジュールから構成されており、まず大規模フィルタリングを行い、候補トライアル(TrialGPT-Retrieval)を検索し、次に基準レベルの患者資格(TrialGPT-Matching)を予測し、最終的にトライアルレベルのスコア(TrialGPT-Ranking)を生成する。
  論文  参考訳（メタデータ） (2023-07-27T17:56:56Z)
• 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)
• Towards Fair Patient-Trial Matching via Patient-Criterion Level Fairness Constraint [50.35075018041199]
  本研究は,患者基準値の公正度制約を発生させることにより,公正な患者間マッチングの枠組みを提案する。 実世界における患者基準と患者基準の整合性に関する実験結果から,提案手法が偏りやすい予測を効果的に緩和できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T03:59:19Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

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。