Apr, 2024

CT-ADE: 临床试验结果不良药物事件预测的评估基准

PDF
TL;DR为了提高药物研发的安全性和患者预后，本研究介绍了 CT-ADE 数据集，该数据集基于临床试验结果提供了药物、患者人群和环境信息，并以 MedDRA 本体论的系统器官类别层次进行多标签 ADE 分类任务的标准化注释，通过基准模型的初步分析获得了令人满意的结果，展示了 CT-ADE 在 ADE 预测方面的潜力。CT-ADE 为希望利用人工智能和机器学习提高患者安全性并减少 ADE 对药物研发的影响的研究人员提供了一个重要工具。
adverse drug eventsct-ade datasetpredictive modelingmultilabel ade classificationartificial intelligence
发现论文，激发创造
  • MultiADE: 药物不良反应提取的多领域基准

    在本研究中，通过建立一个名为 MultiADE 的多领域对比基准，我们探索了在不同文本类型中有效地提取不良药物事件的机器学习模型的泛化能力，结果表明训练模型的泛化性还远未达到完美，而进行域适应的方法仍需进一步研究。

    May, 2024

  • 利用多模态数据集增强不良药物事件的检测：语料库构建与模型开发

    通过将 ADE 相关的文本信息与视觉辅助工具相结合，我们呈现了一个多模态不良药物事件（MMADE）检测数据集，并引入了一个框架，利用 LLMs 和 VLMs 的能力进行 ADE 检测，生成对描绘 ADE 的医学图像的详细描述，帮助医疗专业人员在视觉上识别不良事件，从而提高总体性能。该方法有望促进患者安全、ADE 意识和医疗可及性，为个性化医疗的进一步探索铺平了道路。

    May, 2024

  • 一种针对生物医学文本的关注序列模型用于不良药物反应提取

    本文在生物医学研究中探讨针对药物引起的不良反应提出了一种通过使用自我关注机制以及机器阅读文献的灵感创作的基于问题回答 (Question-Answering) 的模型，能够将这些情况分类提供给医护人员减少药物致死和患病率，并可视化和理解网络如何利用局部和更广泛的上下文进行分类。

    Jan, 2018

  • 基于知识增强的概念感知注意力图神经网络用于不良药物反应检测

    使用异质文本图形，借助统一医学语言系统中的医学知识，提出了一种基于概念感知注意机制的自然语言处理方法，结合预训练语言模型的上下文化嵌入和卷积图神经网络进行特征表示和关系学习，能有效地自动从文本中检测不良药物事件，表现和最近进展竞争性相当。

    Jan, 2023

  • 规模化从非结构化媒介中挖掘药物不良反应

    本文介绍一种基于自然语言处理技术的解决方案，能够在社交媒体帖子、顾客支持电话记录或医疗保健提供商与制药销售代表会议的多种非结构化对话中检测药品不良反应，并提供了三种方法来对其进行提取，分别是新的命名实体识别模型、两个新的关系抽取模型和新的文本分类模型。该解决方案已实现为一个统一的 NLP 管道，并在 Apache Spark 顶部构建了一个生产级库，使其能够在通用集群上处理数百万批处理或流记录。

    Jan, 2022

  • ADRNet: 一个结合临床和非临床数据的广义协同过滤框架，用于不良药物反应预测

    使用 ADRNet 模型，结合临床数据和非临床数据，对药物的不良药物反应进行预测和评估，并通过两个公开的临床数据集和两个非临床数据集进行了详细实验验证。

    Aug, 2023

  • ADEP: 基于判别器增强的编码 - 解码架构的新方法，用于多药物治疗中不良反应的准确预测

    ADEP 是一种创新的方法，通过整合鉴别器和编码器 - 解码器模型来预测药物多药联用中的不良作用，从而提高数据稀疏性的特征提取，实现更准确的预测和改进患者疗效。

    May, 2024

  • BioDEX：大规模生物医学不良药物事件提取，用于真实世界的药物监测

    本研究介绍了 BioDX，这是一个基于大量生物医学文献的药物不良事件抽取资源，旨在通过自然语言处理提高药品安全监测，并通过预测报告的核心信息来帮助专业 PV 评审员。

    May, 2023

  • 药物 - 疾病图谱：基于临床数据的图神经网络预测药物不良反应信号

    本研究提出了使用基于图的框架，结合医疗保险索赔数据和副作用数据库，使用图神经网络预测并发现潜在的不良药物反应对。与其他算法相比，该模型在 AUROC 和 AUPRC 性能方面表现出更好的表现。

    Apr, 2020

  • 药物安全监测的因果预测模型：万古霉素引起的急性肾损伤诊断

    通过观察性数据，我们使用因果建模方法估计了患者住院期间药物不良事件的因果概率下界 (PC₋ₗₒw)，该方法包括目标试验仿真框架和使用机器学习估计个体化治疗效果的两个主要因果推理组成部分，并将我们的方法应用于临床上重要的用例 ——ICU 患者万古霉素诱发急性肾损伤，并将基于因果模型的因果概率下界估计与医学专家提供的定性概率估计进行比较，讨论了重要局限性和潜在改进，并得出结论：未来改进的因果模型可能为医院患者的药物安全监测提供必要的数据支持。

    Nov, 2023