대규모 언어 모델(LLM)을 활용하여 다기관 임상시험의 유해사건에 대한 계층적 베이지안 모델링을 위한 새로운 프레임워크를 제시합니다. 합성 데이터 포인트를 생성하는 데이터 증강 방식과 달리, 본 연구는 모델에서 직접 파라메트릭 사전 분포를 얻습니다. 사전 훈련된 LLM을 사용하여 계층적 베이지안 모델의 하이퍼파라미터에 대한 정보 사전 분포를 체계적으로 유도하여 외부 임상 전문 지식을 베이지안 안전성 모델링에 직접 통합합니다. 실제 임상시험 데이터에 대한 포괄적인 온도 민감도 분석과 엄격한 교차 검증을 통해 LLM에서 파생된 사전 분포가 기존의 메타 분석적 접근 방식에 비해 예측 성능을 지속적으로 향상시킨다는 것을 보여줍니다. 이 방법론은 더욱 효율적이고 전문가의 정보에 입각한 임상시험 설계의 길을 열어, 강력한 안전성 평가를 달성하는 데 필요한 환자 수를 상당히 줄이고 약물 안전성 모니터링 및 규제 의사 결정을 변화시킬 가능성을 제공합니다.
