Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

A novel language model for predicting serious adverse event results in clinical trials from their prospective registrations

Created by
  • Haebom

저자

Qixuan Hu, Xumou Zhang, Jinman Kim, Florence Bourgeois, Adam G. Dunn

개요

본 논문은 ClinicalTrials.gov의 임상시험 등록 정보만을 사용하여 중대한 이상사건(SAE) 발생률을 예측하는 방법을 평가했습니다. 22,107건의 2군 병행 비교 임상시험 데이터를 분석하여, 실험군에서 대조군보다 SAE 발생 비율이 더 높을지를 예측하는 분류 모델과 대조군의 SAE 발생 비율을 예측하는 회귀 모델 두 가지를 개발했습니다. ClinicalT5와 BioBERT와 같은 사전 훈련된 언어 모델을 특징 추출에 사용하고, 슬라이딩 윈도우 기법을 통해 긴 임상시험 서술문을 처리했습니다. 최적 모델(ClinicalT5+Transformer+MLP)은 SAE 발생 비율이 더 높은 군을 예측하는 데 77.6%의 AUC를, 대조군의 SAE 발생 비율을 예측하는 데 18.6%의 RMSE를 달성했습니다. 슬라이딩 윈도우 기법은 직접 비교 방식보다 성능이 우수했습니다.

시사점, 한계점

•
시사점:
◦
ClinicalTrials.gov의 요약 결과 데이터를 활용하여 임상시험의 SAE 발생률을 예측할 수 있음을 보여줌.
◦
예측 모델을 통해 예상되는 안전성 결과와 보고된 결과 간의 불일치를 식별할 수 있는 가능성 제시.
◦
사전 훈련된 언어 모델과 슬라이딩 윈도우 기법을 활용하여 임상시험 서술문의 의미론적 표현을 효과적으로 처리하는 방법 제시.
◦
임상시험 설계 및 모니터링 개선에 기여할 수 있는 잠재력을 가짐.
•
한계점:
◦
모델의 예측 정확도가 완벽하지 않으며, AUC와 RMSE 값은 여전히 개선의 여지가 있음.
◦
분석에 사용된 데이터가 ClinicalTrials.gov에 등록된 데이터에 국한되어 일반화 가능성에 대한 추가 연구 필요.
◦
다양한 유형의 임상시험 및 SAE에 대한 일반화 성능 검증 필요.
◦
예측 모델의 해석 가능성에 대한 추가 연구 필요.
👍
Made with Slashpage