Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

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

Created by
  • Haebom

作者

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

概要

この論文では、ClinicalTrials.govの臨床試験プロパティのみを使用して重大な異常事象（SAE）の発生率を予測する方法を評価しました。 22,107件の2群並行比較臨床試験データを分析し、実験群で対照群よりSAE発生率が高いかを予測する分類モデルと対照群のSAE発生率を予測する回帰モデルの2つを開発しました。 ClinicalT5やBioBERTなどの事前訓練された言語モデルを特徴抽出に使用し、スライディングウィンドウ技術を通じて長い臨床試験の記述を処理しました。最適モデル（ClinicalT5+Transformer+MLP）は、SAE発生率が高い群を予測するには77.6％のAUCを、対照群のSAE発生率を予測するには18.6％のRMSEを達成しました。スライディングウィンドウ技術は、直接比較方式より性能が優れていた。

Takeaways、Limitations

•
Takeaways:
◦
ClinicalTrials.govの要約結果データを活用して臨床試験のSAE発生率を予測できることを示しています。
◦
予測モデルによって、予想される安全性の結果と報告された結果との間の不一致を識別する可能性を提示する。
◦
事前訓練された言語モデルとスライディングウィンドウ技術を活用して臨床試験文の意味論的表現を効果的に処理する方法を提示する。
◦
臨床試験の設計とモニタリングの改善に貢献する可能性があります。
•
Limitations：
◦
モデルの予測精度は完全ではなく、AUCとRMSEの値はまだ改善の余地があります。
◦
分析に使用されるデータはClinicalTrials.govに登録されているデータに限定され、一般化の可能性に関するさらなる研究が必要です。
◦
さまざまな種類の臨床試験とSAEの一般化性能検証が必要です。
◦
予測モデルの解釈可能性に関するさらなる研究が必要
👍
Made with Slashpage