論文の概要: CaresAI at CT-DEB26: Detecting Dosing Errors In Clinical Trials Using Domain-Specific Transformer Embeddings and Classification Models

• arxiv url: http://arxiv.org/abs/2606.30236v1
• Date: Mon, 29 Jun 2026 12:46:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.220787
• Title: CaresAI at CT-DEB26: Detecting Dosing Errors In Clinical Trials Using Domain-Specific Transformer Embeddings and Classification Models
• Title（参考訳）: CaresAI at CT-DEB26: Dosing Errors in Clinical Trials using Domain-Specific Transformer Embeddings and Classification Models (特集:医療用バイオサイバネティックス)
• Authors: Leon Hamnett, Favour Igwezeke, Joseph Itopa Abubakar, Mary Adetutu Adewunmi,
• Abstract要約: 臨床試験(CT)におけるドッキングエラーは、患者に害を与え、薬物イベントを悪化させ、患者の結果を悪化させる可能性がある。 本研究は,試験情報のテキスト表現を評価することにより,CTプロトコル内の線量誤差を検出することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medication errors, particularly dosing errors in clinical trials (CT), can lead to patient harm, adverse drug events and worse patient outcomes. Dosing errors are preventable, and early identification can improve trial integrity and mitigate subsequent clinical and financial burden. This study aims to detect dosing errors within CT protocols by evaluating text representations of trial information using transformer-based language models trained on biomedical corpora. CT textual data was encoded using several models, including ClinicalBERT, PubMedBERT, BioBERT, and MedCPT, and integrated with categorical features. These text embeddings were used as input to classical machine learning models and neural network architectures within an experimental framework. Performance was primarily assessed using ROC-AUC with respect to predicting dosage error. Under a logistic regression baseline, BioBERT consistently outperformed alternative encoders, achieving an ROC-AUC of 0.794, a 3.95% improvement over the ClinicalBERT baseline. Combining multiple embeddings did not yield improvements, indicating that domain alignment outweighs representational stacking. Gradient boosting models, support vector classifiers, logistic regression, and residual neural networks achieved the strongest performance for predicting dosage error, achieving ROC-AUCs: 0.821 to 0.853. Overall, the integration of domain-specific transformer embeddings with structured metadata enables discrimination of trials meeting a predefined elevated dosing error risk criterion, advancing safety monitoring and supporting informed regulatory decision-making.
• Abstract（参考訳）: 医学的誤り、特に臨床試験(CT)における量的誤りは、患者に害を与え、薬物イベントを悪化させ、患者の結果を悪化させる可能性がある。 ドッキングエラーは予防可能であり、早期発見は治験の整合性を改善し、その後の臨床と財政の負担を軽減することができる。 本研究の目的は, バイオメディカルコーパスで訓練されたトランスフォーマーベース言語モデルを用いて, 試行情報のテキスト表現を評価することによって, CTプロトコル内の線量誤差を検出することである。 CTテキストデータは、CeriorBERT、PubMedBERT、BioBERT、MedCPTなどいくつかのモデルを用いて符号化され、分類学的特徴と統合された。 これらのテキスト埋め込みは、実験フレームワーク内の古典的な機械学習モデルやニューラルネットワークアーキテクチャへの入力として使用された。 ROC-AUC を用いてドセージエラーの予測を行った。 ロジスティック回帰ベースラインの下では、BioBERTは一貫して代替エンコーダより優れており、OC-AUCは0.794であり、クリニカルBERTベースラインよりも3.95%改善されている。 複数の埋め込みを組み合わせることで改善は得られず、ドメインのアライメントは表現的な積み重ねよりも優れていた。 勾配強化モデル、サポートベクトル分類器、ロジスティック回帰、残留ニューラルネットワークは、ROC-AUC(0.821から0.853)を達成し、ドセージエラーを予測する上で最強のパフォーマンスを達成した。 全体として、ドメイン固有のトランスフォーマーの埋め込みと構造化メタデータの統合により、事前定義された高量化エラーリスク基準を満たす試行の識別が可能となり、安全性の監視が向上し、情報的な規制決定を支援することができる。

関連論文リスト

• CT-FineBench: A Diagnostic Fidelity Benchmark for Fine-Grained Evaluation of CT Report Generation [51.11942945171396]
  従来の評価指標は、語彙重なり合いやエンティティマッチングの粗い尺度のみを提供する。 我々はCT-RATEとMerlinのベンチマークであるCT-FineBenchを提案し、CTレポートの微細な事実整合性を評価する。 我々のベンチマークは、綿密な質問回答(QA)ベースのプロセスによって構築されます。
  論文  参考訳（メタデータ） (2026-04-27T03:32:46Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• 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)
• From Generative Modeling to Clinical Classification: A GPT-Based Architecture for EHR Notes [0.0]
  本研究は臨床テキスト分類のためのGPTアーキテクチャを提案する。 すべてのモデルパラメータを更新する代わりに、GPT-2のバックボーンの大部分は凍結されている。 提案手法はMIMIC-IV-Noteデータセットからの放射線学報告に基づいて評価する。
  論文  参考訳（メタデータ） (2026-01-29T16:33:47Z)
• Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning [30.979270201588236]
  PDACの基底型および古典型TCGへの分子置換は予後および予測値を確立している。 本稿では,標準的なH&E染色WSIから直接治療関連分子サブタイプを予測する,解釈可能なディープラーニングフレームワークであるPanSubNetを紹介する。 PanSubNetは2つの多施設コホートにまたがる1,055人のデータを用いて開発された。
  論文  参考訳（メタデータ） (2026-01-06T20:52:12Z)
• Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [40.35825564674249]
  本研究では,基礎モデルにおける伝達学習戦略の堅牢性と効率性を評価するための最初の構造化されたベンチマークを紹介する。 新型コロナウイルス(COVID-19)の胸部X線データセットが4つ使用されており、死亡率、重症度、入院率をカバーしている。 一般またはバイオメディカルデータセットで事前訓練されたImageNetとFMで事前訓練されたCNNは、完全な微調整、線形探索、パラメータ効率のよい手法を用いて適応された。
  論文  参考訳（メタデータ） (2025-06-23T09:16:04Z)
• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Improving Clinical Decision Support through Interpretable Machine Learning and Error Handling in Electronic Health Records [6.594072648536156]
  Trust-MAPSは、臨床領域の知識を高次元の混合整数プログラミングモデルに変換する。 信頼スコアは、臨床決定支援タスクの予測性能を高めるだけでなく、MLモデルに解釈可能性を与える臨床的に有意義な特徴として出現する。
  論文  参考訳（メタデータ） (2023-08-21T15:14:49Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。