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
DeepEnroll 是一种跨模态推理学习模型,通过在共享潜在空间中联合对招募标准和病人记录进行编码,以进行匹配推理,并通过数字信息嵌入和蕴含模块来进行推理。在真实世界的数据集上,DeepEnroll 表现优异,平均 F1 分数比最佳基线高 12.4%。
Jan, 2020
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
利用实际世界的电子健康记录,我们进行了第一次端到端的大规模实证评估,展示了大型语言模型在准确匹配患者和适当临床试验方面的能力。
Apr, 2024
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
本研究旨在探讨利用大型语言模型 (LLMs) 解决现有医学研究中患者与合适临床试验配对方面所面临的挑战,提出了一个基于 LLMs 的隐私感知数据增强方法,以实现对敏感患者数据的保护与有效的匹配。实验证明,此方法平均性能提高了 7.32%,新数据的通用性提高了 12.12%,并通过案例研究深入说明了其有效性与原理。
Mar, 2023
本文提出了一种名为 “COMPOSE” 的跨模态伪孪生网络,使用卷积高速网络对结构化的试验入选和排除标准进行编码,使用多粒度记忆网络对结构化的病人电子健康记录进行编码,并使用注意力机制和复合损失函数实现动态病人 - 试验匹配。COMPOSE 在真实环境中的病人 - 试验匹配任务中表现出 24.3%的性能提升,可以实现 98.0%的 AUC 和 83.7%的准确率。
Jun, 2020
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
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
这篇论文介绍了利用自然语言处理和表示学习生成医学术语的嵌入,以更好的预测临床决策和患者轨迹,提出了一个新的医学术语表示模型 HiPrBERT,并使用层次结构数据来训练和提高嵌入效果。
Jul, 2023
通过检索增强型医学预测模型(REMed)在电子健康记录上构建临床预测模型,无需手动特征选择和受限观测窗口,验证实验显示 REMed 优于其他架构,能加速电子健康记录预测模型的开发过程。
Oct, 2023