Jul, 2022

叶片临床试验语料库：用于从临床试验入选条件生成查询的新资源

PDF
TL;DR本研究介绍了 Leaf Clinical Trials（LCT）语料库，它是一个超过 1,000 个临床试验符合性标准描述的人工注释语料库，使用高度细分的结构化标签捕捉一系列生物医学现象。此外，我们还提出了基准信息提取结果，以供未来工作参考。
clinical trialseligibility criterianatural language processingcorpusbiomedical phenomena
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

  • 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

  • 利用大型语言模型协助医生改善临床试验的患者预筛选

    使用 InstructGPT 帮助医生根据患者的医疗概况确定临床试验的资格，通过组合一次性、选择推论和思考链技术，将 LLM 应用于 10 个合成患者概况，并有医生参与辅助判断，可实现 1.0 的召回率和 0.71 的精确率。

    Apr, 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

  • 利用大型语言模型为患者匹配临床试验

    研究使用大型语言模型（LLMs）协助患者和转诊医生从广泛的选择中筛选适合的临床试验，并评估了 TrialGPT 在 184 名患者和 18,238 个注释临床试验的实验结果，表明其高准确性和排名排除不合格候选试验的有效性。

    Jul, 2023

  • 一个包含多层病人、干预和结果注释的语料库，以支持医学文献语言处理

    该研究提供了一份 5000 份医学文章摘要的标注语料库，其中的标注包括描述人口、干预方法及比较、以及测量结果等关键信息，旨在协助检索医学文献并支持循证医学实践。

    Jun, 2018

  • 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

  • 使用实体抽取和神经重新排序有效地匹配患者与临床试验

    利用数据增强和以 Transformer 网络为基础的 检索重排技术，在临床试验中解决了招募病人问题，并取得了 15% 的精度提升，而 proposed re-ranking schema 即使训练数据较少也有良好的效果表现。

    Jul, 2023

  • NLI4CT: 临床试验报告的多证据自然语言推理

    本篇论文介绍了一个新的 NLI4CT 资源，包括两个主要任务：确定自然语言陈述和 CTR 之间的推理关系以及检索支持事实以证明预测关系。该资源暴露了现有 NLI 模型的局限性，为 CTR 推理提供了基础，大大推进了 CTR 的个性化医疗领域的研究。

    May, 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