文献

J-GLOBAL ID：201902248171775135   整理番号：19A2114304

有害転帰予測のための大規模臨床試験データの機械学習ベースモデリング:死亡事象の事例研究【JST・京大機械翻訳】

Machine Learning-Based Modeling of Big Clinical Trials Data for Adverse Outcome Prediction: A Case Study of Death Events

著者 (4件)： Tong Ling (University of Wisconsin Milwaukee) ,  Luo Jake (University of Wisconsin Milwaukee) ,  Cisler Ron (Western Michigan University) ,  Cantor Michael (Regeneron Pharmaceuticals Inc)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： compsac  ページ： 269-274  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 臨床試験は参加者に対する潜在的リスクを有することが知られており,予期せぬ有害事象をもたらす可能性がある。有害転帰のリスクを定量化し予測するために,著者らは,有害転帰を予測するために機械学習モデルを構築するために大量の臨床報告を活用した。本研究では,予測ターゲットとしての死亡事象に焦点を当てた。Clinicaltrial.govから28,340の報告を収集し,データをベクトル化機械学習特徴に変換した。これらの特徴は,意味マッピングと特徴選択技術を用いた研究を通して調和した。得られた選択された臨床試験特徴を用いて,予測のための5つの機械学習モデルを構築した。予測タスクに対する相対モデル性能を評価し比較した。結果は,ロジスティック回帰アルゴリズムが0.7344で最良の全体的受信者動作特性スコアを達成したことを示した。この調査研究は,有害転帰を予測するために臨床試験因子を使用することが実行可能であることを示した。著者らは,死亡結果を予測するために,建築機械学習モデルに焦点を合わせることによってアプローチを実証した。有害な結果を予測することは,臨床試験が有害なリスクを推定し,参加者を保護するためのより良いメカニズムを設計するのを助ける著者らのモデルを用いることによって,臨床試験専門家は,重篤な有害事象が初期段階で臨床試験において起こる可能性があるかどうかを評価することができ,潜在的な試験因子が潜在的な重篤な有害事象に寄与する可能性があるかどうかを評価することができる。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *臨床試験 ,  特徴選択 ,  *事例研究 ,  *機械学習 ,  *予測 ,  *死 ,  アルゴリズム ,  *大規模臨床試験 ,  学習モデル
準シソーラス用語： スコア ,  ロジスティック回帰分析 ,  ベクトル化 ,  有害事象 ,  *有害転帰 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (8件)： 有害転帰 ,  予測 ,  大規模臨床試験 ,  機械学習 ,  モデリング ,  死亡 ,  事象 ,  研究