TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network

要約

臨床試験は医薬品開発にとって重要ですが、多くの場合、費用がかかり非効率的な患者募集に悩まされます。
近年、患者の長期にわたる電子医療記録（EHR）データと臨床試験の適格基準に基づいて患者と臨床試験を自動的にマッチングすることで、患者の採用を迅速化するための機械学習モデルが提案されています。
ただし、それらは、他の治験に拡張できない治験固有のエキスパート ルールに依存しているか、解釈可能性の欠如によりモデル結果の採用が困難なブラックボックス モデルとの非常に一般的なレベルでのマッチングを実行しています。
正確で解釈可能な患者の治験マッチングを提供するために、TREEMENT という名前のパーソナライズされた動的ツリーベースのメモリ ネットワーク モデルを導入します。
階層的な臨床オントロジーを利用して、連続 EHR データから学習したパーソナライズされた患者表現を拡張し、適格性基準の埋め込みから学習したアテンション ビーム検索クエリを使用して、パフォーマンスと解釈可能性を向上させる粒度の高い調整を提供します。
私たちは、実世界のデータセット上の既存のモデルに対して TREEMENT を評価し、TREEMENT が基準レベルのマッチングにおけるエラー削減の点で最良のベースラインを 7% 上回り、試験レベルのマッチング能力において最先端の結果を達成することを実証しました。
さらに、TREEMENT が優れた解釈可能性を提供して、モデルの結果を採用しやすくすることも示します。

要約(オリジナル)

Clinical trials are critical for drug development but often suffer from expensive and inefficient patient recruitment. In recent years, machine learning models have been proposed for speeding up patient recruitment via automatically matching patients with clinical trials based on longitudinal patient electronic health records (EHR) data and eligibility criteria of clinical trials. However, they either depend on trial-specific expert rules that cannot expand to other trials or perform matching at a very general level with a black-box model where the lack of interpretability makes the model results difficult to be adopted. To provide accurate and interpretable patient trial matching, we introduce a personalized dynamic tree-based memory network model named TREEMENT. It utilizes hierarchical clinical ontologies to expand the personalized patient representation learned from sequential EHR data, and then uses an attentional beam-search query learned from eligibility criteria embedding to offer a granular level of alignment for improved performance and interpretability. We evaluated TREEMENT against existing models on real-world datasets and demonstrated that TREEMENT outperforms the best baseline by 7% in terms of error reduction in criteria-level matching and achieves state-of-the-art results in its trial-level matching ability. Furthermore, we also show TREEMENT can offer good interpretability to make the model results easier for adoption.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google