关键词randomized controlled trials
搜索结果 - 12
- 利用大型语言模型自动提取随机对照试验的数值结果
现有的大型语言模型在处理复杂结果和推理时表现欠佳，虽然巨大的语言模型可以在二分结果方面接近完全自动的元分析。
- 朝着从试验到目标人群的推广的推理
本研究论文通过多学科研讨会的讨论，并整合各领域的方法，回顾了随机对照试验、外部有效性、泛化性和可转移性的现有研究，同时提出了未来研究的方向，旨在增强对因果效应的泛化性和可转移性的集体理解，促进跨学科合作并为改进和应用因果推断方法的研究人员提 - FactPICO：医学证据的简化语言摘要的事实性评估
FactPICO 是一个针对医学文本的纯文本摘要事实性基准，通过细致评估和专家的自然语言解释，评估了基于 LLMs 的三种纯文本摘要生成模型（GPT-4，Llama-2 和 Alpaca）生成的 345 个 RCT 摘要的事实性，解析了 R - 通过潜变量模型估算单臂试验的治疗效果
我们提出了一个可识别的深度潜变量模型，可以用于单臂试验中的治疗效果估计，并通过建模结构化的缺失模式来处理缺失的协变量观测值。通过使用分摊变分推断来学习群体特定和可识别的共享潜变量表示，我们的方法在患者配对和直接治疗效果估计方面显示出比先前方 - 基于条件随机化的高精度因果模型评估
我们引入了一种新的低方差评估因果误差的估计方法，称为 pairs estimator。通过将同样的 IPW 估计器应用于模型和真实实验效果，我们的估计器有效地消除了由于 IPW 引起的方差，并实现了较小的渐近方差。经验证明，我们的估计器的性 - 构建无均值可交换假设的合成处理组
本文旨在将来自多个随机对照试验的信息传递给只有对照组数据的目标人群。我们通过源人群的治疗组的加权混合构建针对目标人群的合成治疗组，并通过最小化加权源人群的对照组与目标人群之间的条件最大均值差异来估计权重。基于筛选半参数理论，我们建立了合成治 - 主动和被动因果推断学习
这篇论文为对因果推断感兴趣但尚未熟悉的机器学习研究人员、工程师和学生提供了一个起点。通过阐述一组重要的因果认定假设，如可交换性、积极性、一致性和干扰的缺乏，我们将这些假设分类为两种主动和被动方法，并介绍了随机控制试验、基于赌博机的方法，以及 - 使用 LLMs 聚合从 RCT 报告中提取干预措施、结果和发现
本研究建议并评估了基于指令调优的大型语言模型的文本 - to - 文本模型，以共同从临床摘要中提取干预、结局和对照元素（ICO 元素）并推断所报道的相关结果。
- 临床试验证据自动摘要：一个突出当前挑战的原型
TrialsSummarizer 是一个基于神经多文档摘要系统的自动摘要系统，它可以检索与查询指定的条件、干预和结果匹配的随机对照试验出版物，并对这些研究进行排名。它提供了两种体系结构：基于 BART 的标准序列到序列模型和旨在为最终用户提 - 算法资源分配随机试验的改进策略评估
该研究提出了一种新的评估算法资源分配政策的实验方法，所使用的估计器可以通过重划分试验组参与者，构建对照试验并准确地评估结果。经过实证研究，该方法在合成数据、半合成数据和真实案例中都取得了改进的评估准确性。
- 受限治疗效应估计样例
本研究关注样本受限制条件下的治疗效果估计问题，基于线性效应模型设计了有效的实验方案和估算器，涉及随机控制试验、子集选择、划分以及采样等方法。
- 随机对照临床试验中自动因果推断
本文提出了一种新的自动因果推断方法（AutoCI），该方法基于不变的因果预测（ICP）框架，可以对临床试验数据进行因果重新解释，并在两个真实的子宫内膜癌临床试验中有效地确定因果变量，证实 AutoCI 在临床分析中的鲁棒性和可行性。