Apr, 2024

TrialDura：用于可解释临床试验持续时间预测的分层注意力 Transformer

PDF
TL;DR我们提出了基于机器学习的 TrialDura 方法，利用多模态数据（包括疾病名称、药物分子、试验阶段和符合条件）估计临床试验的持续时间，使用针对生物医学语境进行特定调整的 Bio-BERT 嵌入来提供对临床试验数据的更深入和相关的语义理解，模型的分层注意机制连接了所有嵌入以捕捉它们的相互作用并预测临床试验的持续时间，与其他模型相比，我们提出的模型表现出更准确的临床试验持续时间预测，平均绝对误差（MAE）为 1.04 年，均方根误差（RMSE）为 1.39 年。
clinical trial processinterventional clinical trialstrial durationmachine learningclinical trial duration prediction
发现论文，激发创造
  • 使用语言增强 Transformer 编码器和医学提示进行医疗干预时间估计

    提出了一种语言增强的基于转换器的框架，用于在连续、分类、二进制和自由文本功能之间进行信息集成，以更准确地估计医学干预的持续时间，并在 US 和 Asian 的数据集上证明了其有效性。

    Mar, 2023

  • 通过多文档摘要预测临床试验中干预措施的批准

    该研究提出了一种基于文献摘要的新方法来预测临床试验干预措施的有效性。通过抽取摘要中表达干预措施有效性的句子，生成一个简洁的摘要，用于训练 BERT 分类器以预测干预措施的有效性。实验结果证明了该方法的有效性。

    Apr, 2022

  • 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

  • CliniDigest: 临床试验描述的大规模基于大型语言模型的摘要化案例研究

    通过使用 GPT-3.5，我们创建了一个名为 CliniDigest 的批处理临床试验摘要工具，它是我们所知道的第一个能够提供实时、真实和全面的临床试验摘要的工具。CliniDigest 可以将高达 85 个临床试验描述（约 10,500 个字）减少到一个简洁的 200 字摘要，并附带参考文献和有限的虚构元素。我们已经在 27 个医学子领域分别对 457 个试验进行了 CliniDigest 的摘要测试，每个领域的摘要平均包含 153 个字，平均利用源文献中的 54%，更全面的评估计划在本文中进行了概述。

    Jul, 2023

  • DeepEnroll: 利用深度嵌入和蕴含预测的患者试验匹配

    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

  • 利用不同深度学习模型从临床文本中提取药物及时序关系

    探索了 MedTem 项目中利用深度学习和大型语言模型（LLM）进行医疗信息从 EMR 中提取和分类的效果，并对不同字嵌入技术进行了研究。在医疗实体识别任务中，CNN-BiLSTM 模型优于 BiLSTM-CRF 模型，分别达到了 75.67，77.83 和 78.17 的 Macro Average 精确度，召回率和 F1 分数。BERT-CNN 模型在 i2b2-2012 挑战的时间关系提取测试集上表现也较好，分别达到了 64.48，67.17 和 65.03 的 Macro Average P/R/F1 分数。

    Oct, 2023

  • TrialBench: 多模态人工智能准备的临床试验数据集

    通过提供 AI-ready 多模式数据集和 8 个重要的临床试验设计预测挑战，本研究解决了医疗数据收集和试验设计对人工智能应用的障碍，以促进临床试验研究与医疗解决方案的发展。

    Jun, 2024

  • 基于大型语言模型的多模态临床试验结果预测

    临床试验结果预测的多模态融合专家模型（LIFTED）通过将各种方式的数据转化为自然语言描述，再利用统一的噪声抵抗编码器提取信息，进一步利用稀疏的专家模型优化表示，通过动态集成不同方式的表示进行预测，有效提升临床试验结果预测性能。

    Feb, 2024

  • 基于时间感知的异构图变换器与自适应注意力合并的健康事件预测

    通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用，使用深度学习方法在疾病风险预测方面取得了早期成功。然而，现有研究对 EHR 数据的潜力未能充分利用，存在着许多关键问题，如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制，本研究引入了一种新型的异构图学习模型，旨在融合疾病领域知识，阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中，并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估，我们的方法在预测准确性和可解释性方面表现出显著提升，为个性化和主动式的医疗管理迈出了实质性的进展。

    Apr, 2024

  • 多模态电子健康记录的动态嵌入和标记化的时间交叉注意力

    我们提出了一个动态嵌入和分词框架，通过学习多模态临床时间序列的时间感知表示，并结合时间交叉注意力，将其整合到滑动窗口关注的多任务 Transformer 分类器中，在预测超过 120,000 例住院手术的九种术后并发症的示例任务中，使用来自美国三家医院和两个学术医疗中心的多模态数据，我们的嵌入和分词框架优于基线方法。

    Mar, 2024