論文の概要: TrialAtlas: Multi-Agent Research Organization for Clinical Trial Design and Optimization

• arxiv url: http://arxiv.org/abs/2609.21859v1
• Date: Fri, 18 Sep 2026 14:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.154844
• Title: TrialAtlas: Multi-Agent Research Organization for Clinical Trial Design and Optimization
• Title（参考訳）: TrialAtlas: 臨床試験設計と最適化のためのマルチエージェント研究機関
• Abstract要約: TrialAtlas(トリアルアトラス、TrialAtlas)は、臨床試験計画のための、メモリ拡張型マルチエージェント研究機関である。 TrialAtlasは、これまでの新薬応用を含む、歴史的な臨床試験と規制の成果から学ぶ。 TrialAtlasBenchはFDA完全対応レター291から構築されている。
• 参考スコア（独自算出の注目度）: 25.52035756737
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Nearly 90% of drugs entering clinical development ultimately fail, despite billions of dollars in investment. Pharmaceutical companies therefore rely on clinical development planning (CDP) and probability of technical and regulatory success assessment to anticipate development risks, yet these decisions remain labor-intensive and subjective, requiring experts across clinical science, statistics, regulatory affairs, and competitive intelligence to jointly acquire, synthesize, and reason over heterogeneous evidence. Here, we introduce TrialAtlas, a memory-augmented multi-agent research organization for CDP that mirrors this collaborative process by coordinating specialized agents for literature synthesis, competitive trial intelligence, regulatory precedent analysis, and integrated reasoning over trial design and development risk. TrialAtlas further learns from historical clinical trials and regulatory outcomes, including prior New Drug Applications (NDAs), to ground its decisions in accumulated development experience. To evaluate these capabilities in an authentic regulatory setting, we introduce TrialAtlasBench, constructed from 291 FDA Complete Response Letters and spanning three practical tasks: detecting trial design deficiencies, recommending actionable design improvements, and predicting technical and regulatory success. TrialAtlas achieves an F1 score of 50.0% for deficiency detection, outperforming the strongest baseline by 6.1 points, and reaches 85.3% balanced accuracy and 84.7% F1 for prediction of technical and regulatory success, improving over the best baselines by 6.7 points in balanced accuracy and 12.0 points in Cohen's kappa. In expert evaluation, 86.4% of TrialAtlas-generated concerns were judged valid, compared with 83.1% for OpenAI DeepResearch and 59.3% for Gemini DeepResearch.
• Abstract（参考訳）: 何十億ドルもの投資にもかかわらず、臨床開発に入る薬の90%近くは最終的に失敗する。 したがって、医薬品会社は、開発リスクを予測するために、臨床開発計画(CDP)と技術および規制上の成功の確率に頼っているが、これらの決定は労働集約的で主観的であり、臨床科学、統計学、規制問題、競争的知性を通じて、異質な証拠を共同で取得し、合成し、推論することを要求している。 本稿では,CDPのためのメモリ拡張型マルチエージェント研究組織であるTrialAtlasを紹介し,文献合成,競争的トライアルインテリジェンス,規制前例分析,トライアル設計と開発リスクに関する統合的推論をコーディネートすることで,この協調プロセスを反映する。 TrialAtlasはさらに、NDA(New Drug Applications)を含む歴史的な臨床試験や規制の結果から学び、開発経験の蓄積においてその決定を下す。 本研究は,FDA完全対応レター291件からなるTrialAtlasBenchを導入し,試行錯誤の検出,実行可能な設計改善の推奨,技術的および規制的成功の予測という3つの実践的課題にまたがる。 トライアルアトラスは、欠陥検出のF1スコアが50.0%に達し、最強のベースラインを6.1ポイント上回り、技術的および規制的な成功を予測するために85.3%のバランスの取れた精度と84.7%のF1に達し、バランスの取れた精度で6.7ポイント、コーエンのカッパで12.0ポイント向上した。 専門家による評価では、TrialAtlasによる懸念の86.4%が有効であると判断され、OpenAI DeepResearchは83.1%、Gemini DeepResearchは59.3%だった。

関連論文リスト

• Towards AI-Assisted Clinical Trial Matching: Practical Considerations, Multicenter Evaluation, and Real-World Deployment [17.27078524771392]
  本稿では,現実のデプロイメント用に設計されたAI支援臨床試験レコメンデーションシステムTrialGPT 2.0を提案する。 患者に資格を与えるかどうかを問うのではなく、TrialGPT 2.0は、どの治験がさらなる検討を保証できるかを評価する。 TrialGPT 2.0は、約91%の患者に対して、トップ10の勧告で少なくとも1つの臨床医が推奨する臨床試験を回収した。
  論文  参考訳（メタデータ） (2026-09-01T13:11:02Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• AI, Metacognition, and the Verification Bottleneck: A Three-Wave Longitudinal Study of Human Problem-Solving [0.0]
  このパイロット研究は、AIが学術的な環境での6ヶ月にわたる問題解決にどのように影響するかを追跡した。 結果は、主にアーリーアドプター、学術関連集団に一般化される。
  論文  参考訳（メタデータ） (2026-01-21T15:49:04Z)
• Statistical NLP for Optimization of Clinical Trial Success Prediction in Pharmaceutical R&D [0.0]
  本研究は、神経科学分野における臨床試験における技術的および規制的成功(pTRS)の確率を推定するために設計されたNLP対応確率的分類器の開発と評価について述べる。 このモデルは1976-2024年に101,145回の臨床試験を完了した振り返りデータセットでテストされ、全体的なROC-AUCは0.64である。 BioBERTベースのモデルでは、全体的なROC-AUCは0.74で、Brier Scoreは0.185で、その予測は業界ベンチマークより平均して40%少ない2乗誤差であった。
  論文  参考訳（メタデータ） (2025-11-29T18:40:42Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• End-To-End Clinical Trial Matching with Large Language Models [0.6151041580858937]
  大言語モデル(LLM)を用いた臨床試験のためのエンドツーエンドパイプラインを提案する。 本研究は,93.3%の症例において関連する候補試験を同定し,88.0%の予備的精度を達成している。 私たちの完全なエンドツーエンドパイプラインは、自律的または人間の監督の下で運用することができ、オンコロジーに限定されません。
  論文  参考訳（メタデータ） (2024-07-18T12:36:26Z)
• 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)
• Accelerating Clinical Evidence Synthesis with Large Language Models [28.002870749019035]
  本稿では,人間とAIのコラボレーションを促進するための生成人工知能パイプラインであるTrialMindを紹介する。 TrialMindは、検索、スクリーニング、データ抽出タスクを横断的に拡張する。 人間の専門家は、GPT-4よりもTrialMindの出力を62.5%から100%のケースで好んだ。
  論文  参考訳（メタデータ） (2024-06-25T17:41:52Z)

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。