Apr, 2023

LeafAI: 临床队列发现的查询生成器，可与人类程序员媲美

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。
clinical databasesquery designdeep learningumlsclinical trials
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 大规模结构化现实世界数据的研究：利用患者级监督的深度学习从临床文本中提取关键肿瘤信息

    本文介绍了使用自然语言处理技术和基于深度学习的方法处理医学记录中的实际数据，通过利用医学注册处重点患者信息的导向监督，并结合领域特定的预训练、递归神经网络和分层注意的方法，实现了在医疗系统中具有可伸缩性的实证研究。

    Mar, 2022