Apr, 2023

LeafAI: 临床队列发现的查询生成器，可与人类程序员媲美

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 一种可扩展的临床试验队列优化的AI方法

    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。

    Sep, 2021

  • 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

    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。

    Jul, 2022

  • 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

  • 可解释的患者试验匹配：基于个性化动态树状记忆网络的方法

    通过基于临床试验的专家规则的个性化动态树状记忆网络模型TREEMENT，我们提供了accurate和interpretable的基于个人化医疗记录数据和临床试验资格标准的患者试验匹配方法，并通过实证数据验证了其优越性和状态的一流性。

    Jul, 2023

  • CohortGPT: 临床研究参与者招募的增强型GPT

    通过使用知识图谱作为辅助信息来指导大型语言模型在疾病标签分类的任务中进行预测，在少量数据情况下，我们提出的少样本学习方法相比微调策略表现出令人满意的性能和超强的优势。

    Jul, 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

  • 零射机临床试验患者匹配与LLMs

    利用大型语言模型加速临床试验操作，设计了一个基于零-shot 方法的系统来评估患者是否符合试验纳入标准，并通过优化数据和成本效率以及提高解释性来改进该方法。

    Feb, 2024

  • 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

  • 利用大型语言模型加速临床证据综合

    利用TrialMind等基于LLMs的人工智能模型，我们介绍了一种为进行医学系统评价而设计的生成型AI流水线。通过结合人类专家的监督，我们证明了TrialMind显著提高了文献综述的过程，并在从超过2000万篇PubMed文章中搜索研究、筛选研究和提取结果的过程中取得了优异的性能。结果还显示，与GPT-4基准相比，八位人类评估者更喜欢TrialMind，其有效率提升了临床研究的效率。

    Jun, 2024

  • 基于大型语言模型的端到端临床试验匹配

    通过使用大型语言模型，我们展示了使用一个完整的流程将临床试验与病人进行匹配的高准确性，甚至超过了合格医生的表现。我们的流程可以自主运行或在人工监督下运行，并且不仅局限于肿瘤学，为改进实际场景中的患者-试验匹配问题提供了可扩展的解决方案。

    Jul, 2024