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。

Automating Adjudication of Cardiovascular Events Using Large Language Models

Created by
  • Haebom

作者

Sonish Sivarajkumar, Kimia Ameri, Chuqin Li, Yanshan Wang, Min Jiang

概要

この論文では、大規模言語モデル（LLM）を活用して心血管系疾患の臨床試験における心血管系事象の判定を自動化する新しいフレームワークを紹介します。従来の手動判定方式の時間消費、リソースの浪費、判定者間のボラティリティの問題を解決するために、非定型臨床データから事象情報抽出のためのLLMベースのパイプラインとTree of Thoughtsアプローチと臨床エンドポイント委員会（CEC）ガイドラインに従って案内されるLLMベースの判定プロセスの2段階アプローチを開発しました。心血管系事象特異的臨床試験データを用いて、事象抽出についてF1スコア0.82、判定に対して精度0.68を達成した。また、心血管系事象判定でAIが生成した臨床推論の質を評価するために特別に設計された新しい自動化指標であるCLEARTスコアを提示します。このアプローチは、臨床試験で高品質、一貫性、監査可能な結果を​​維持しながら、判定時間とコストを大幅に削減する可能性を示しています。ボラティリティの低減と標準化の改善により、心血管療法に関連するリスクをより迅速に特定して軽減できます。

Takeaways、Limitations

•
Takeaways:
◦
LLMベースの自動化による心血管系事象判定の時間とコスト削減の可能性の提示
◦
判定者間のボラティリティの低減と結果の一貫性の向上
◦
CLEARTスコアの導入によるAIベースの臨床推論の質評価可能性の提示
◦
心血管治療関連リスクの迅速な同定と緩和の可能性の提示
•
Limitations:
◦
事象抽出（F1 0.82）と判定（精度0.68）精度は完璧ではありません。より高い精度向上が必要です。
◦
CLEARTスコアの一般化の可能性と妥当性に関するさらなる研究が必要
◦
LLMベースのシステムの説明可能性と透明性の確保のための必要性。
◦
臨床データの偏りと一般化の可能性に関する検討の必要性
👍
Made with Slashpage