KDDSep, 2021

一种可扩展的临床试验队列优化的 AI 方法

PDF
TL;DR使用基于 Transformer 的自然语言处理的人工智能方法 (AICO)，通过真实数据评估入组标准，从大量相关临床试验中提取常见入组标准变量并测量临床试验设计的泛化性，解决了现有手动方法的可扩展性问题，并能快速模拟感兴趣疾病的入组标准设计。以乳腺癌试验设计为例，展示了该方法在改进临床试验泛化性方面的效用。
clinical trialdiversityeligibility criterianatural language processingbreast cancer
发现论文，激发创造
  • LeafAI: 临床队列发现的查询生成器，可与人类程序员媲美

    利用深度学习和基于规则的模块生成具有新颖逻辑推理能力的、数据模型非相关性和基于 UMLS（Unified Medical Language System）的数据库查询方法，以帮助临床研究中的受试者筛选。使用 LeafAI 系统的查询结果表明，与人类数据库程序员相比，其找到的适宜受试者占比更高。

    Apr, 2023

  • 探索癌症临床试验资格分类器在不同疾病间的泛化能力

    本研究旨在评估自然语言处理对临床试验中资格分类的通用性，结果表明在广泛的临床试验中，模型在处理非癌症试验方面表现出色，但对癌症试验中特定资格的处理相对较难，研究还尝试了少样本学习，证明了少量疾病特异性示例可以部分弥补性能差距，此外，研究提供了一个经过注释的资格陈述数据集，以促进临床试验分类的跨疾病通用性的发展。

    Mar, 2024

  • AutoTrial: 临床试验设计中的语言模型提示

    本文介绍了一种名为 AutoTrial 的方法，它使用语言模型帮助设计临床试验的甄别标准，可以在指令控制下进行可控生成，可以通过上下文学习进行可扩展的知识融合，提供明确的推理链以理解输出，通过人类评估与 GPT-3.5 基线获得了高质量的标准文本和 60％的胜率。

    May, 2023

  • 癌症临床试验资格标准的文本分类

    通过使用文本分类方法，我们研究了肿瘤试验中常见的七种排除标准，即先前恶性肿瘤、人免疫缺陷病毒、乙型肝炎、丙型肝炎、精神疾病、药物 / 物质滥用和自身免疫性疾病，结果显示自动分类常见排除标准的可行性，并展示了针对临床试验的预训练语言模型在所有标准上取得的最优性能。

    Sep, 2023

  • TrialBench: 多模态人工智能准备的临床试验数据集

    通过提供 AI-ready 多模式数据集和 8 个重要的临床试验设计预测挑战，本研究解决了医疗数据收集和试验设计对人工智能应用的障碍，以促进临床试验研究与医疗解决方案的发展。

    Jun, 2024

  • 利用深度神经网络在癌症临床试验中学习资格

    本文旨在构建一个自动预测短临床语句是否被视为纳入或排除标准的模型，为此我们使用癌症临床试验协议训练词嵌入，构建了一个标记为合格或不合格的 6M 短文本数据集，并使用深度神经网络对文字分类器进行训练，结果表明，利用深度神经网络的表示学习从临床试验协议中提取医学知识可为医师开方治疗提供帮助。同时，我们还能够识别出一种肿瘤的等效治疗方法。

    Mar, 2018

  • 提高临床试验的患者招募效率：基于提示的学习模型应用

    应用基于提示的大型语言模型在临床试验中基于资格标准对患者进行分类的研究提供了有希望的分数，并提出了一种利用 SNOMED CT 本体论进行提取式摘要的方法，该方法也可以应用于其他医学文本。

    Apr, 2024

  • 基于人工智能的体外临床试验：综述

    本文系统综述了三个主要主题：临床模拟，个体化预测建模和计算机辅助试验设计，重点关注机器学习在这些应用中的应用，讨论了 AI 在实际应用中 in silico 试验的挑战和机遇。

    Sep, 2022

  • ACR：自动队友检索基准

    自动检索病例组是许多医疗任务的基础，本文引入了一种新的任务 —— 自动检索病例组，并评估了大型语言模型和领域特定的神经符号方法的性能。

    Jun, 2024

  • 通过 Scopus 和 OpenAI 的半自动化解决方案选择工具：AI/ML 在肿瘤学中的案例研究

    本文提出了一个半自动化工具，用于解决方法审查和选择的问题，并通过关键词选择方案查询 Scopus API 进行文献选择和评分，利用 OpenAI API 提取论文中的解决方法，并进行敏感性分析和后续分析，以揭示趋势、相关文献和方法，并通过与手动判断结果比对，在肿瘤学案例研究和几个应用案例中展示了该工具的有希望的结果。

    Jul, 2023