Jul, 2024

使用深度交叉网络和大型语言模型预测临床试验招募成功

HTML
PDF
TL;DR这篇研究论文提出了一种利用大型语言模型（LLM）增强的文本特征的新型深度交叉网络，通过学习试验的资格标准的语义信息并预测招募成功，实现了可解释性，并证明了该方法在机器学习方法中的出色表现（0.7002 PR-AUC）
发现论文，激发创造
  • 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

  • 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

  • 利用大型语言模型扩展临床试验配对：一个肿瘤学案例研究

    利用大型语言模型（LLMs）进行临床试验匹配在扩展规模中取得了积极的初步结果，特别在结构化患者信息和筛选患者-试验候选人方面起到了初步的解决方案作用。

    Aug, 2023

  • 将大型语言模型凝聚用于将患者匹配到临床试验

    探究专有和开源大型语言模型在患者试验匹配任务中的有效性，并证明在有限和合成数据集上进行微调后，开源模型与专有模型性能相当，从而为它们在实际医疗应用中的部署提供了巨大机会。

    Dec, 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

  • 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

  • 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

  • 临床试验批准估计的语言交互网络

    临床试验结果预测利用机器学习模型根据试验描述、药物特性和疾病条件等多种数据源，预测试验成功达到预期终点的可能性。我们提出了一种名为语言交互网络（LINT）的新方法，只使用试验的文本描述来预测试验结果，在临床三个阶段的试验中，它实现了分别为0.770、0.740和0.748的ROC-AUC分数，特别针对涉及生物制剂的试验。

    Apr, 2024

  • 泛医学：临床试验搜索、摘要、设计和招募的基础模型

    通过构建名为Panacea的临床试验基础模型，该研究证明了其在临床试验中的有效性，并为开发临床试验基础模型提供了包括训练数据、模型和基准测试在内的综合资源，为基于人工智能的临床试验开发铺平了道路。

    Jun, 2024