要約
薬物有害事象(ADE)は臨床研究に大きな影響を与え、多くの臨床試験の失敗を引き起こします。
ADE 予測は、より安全な医薬品を開発し、患者の転帰を向上させるための鍵となります。
この取り組みをサポートするために、単剤療法における ADE のマルチラベル予測モデリングのためのデータセットである CT-ADE を紹介します。
CT-ADE は、臨床試験から抽出された 168,984 の薬剤と ADE のペアを含む 2,497 の固有の薬剤のデータを統合し、患者情報とコンテキスト情報で注釈が付けられ、MedDRA オントロジーの複数のレベルにわたって標準化された包括的な ADE の概念を統合します。
大規模言語モデル (LLM) を使用した予備分析では、最大 55.90% の F1 スコアが達成されました。
患者情報とコンテキスト情報を使用したモデルは、化学構造データのみを使用したモデルと比較して、F1 スコアが 21% ~ 38% 向上しました。
私たちの結果は、ADE の予測モデリングにおける対象集団と治療計画の重要性を強調しており、LLM ドメインの専門化とスケーリングよりも大きなパフォーマンスの向上をもたらします。
CT-ADE は、人工知能と機械学習を活用して患者の安全性を高め、医薬品の研究開発に対する ADE の影響を最小限に抑えることを目指す研究者にとって不可欠なツールを提供します。
データセットは https://github.com/ds4dh/CT-ADE で公開されています。
要約(オリジナル)
Adverse drug events (ADEs) significantly impact clinical research, causing many clinical trial failures. ADE prediction is key for developing safer medications and enhancing patient outcomes. To support this effort, we introduce CT-ADE, a dataset for multilabel predictive modeling of ADEs in monopharmacy treatments. CT-ADE integrates data from 2,497 unique drugs, encompassing 168,984 drug-ADE pairs extracted from clinical trials, annotated with patient and contextual information, and comprehensive ADE concepts standardized across multiple levels of the MedDRA ontology. Preliminary analyses with large language models (LLMs) achieved F1-scores up to 55.90%. Models using patient and contextual information showed F1-score improvements of 21%-38% over models using only chemical structure data. Our results highlight the importance of target population and treatment regimens in the predictive modeling of ADEs, offering greater performance gains than LLM domain specialization and scaling. CT-ADE provides an essential tool for researchers aiming to leverage artificial intelligence and machine learning to enhance patient safety and minimize the impact of ADEs on pharmaceutical research and development. The dataset is publicly accessible at https://github.com/ds4dh/CT-ADE.
arxiv情報
著者 | Anthony Yazdani,Alban Bornet,Philipp Khlebnikov,Boya Zhang,Hossein Rouhizadeh,Poorya Amini,Douglas Teodoro |
発行日 | 2024-07-30 08:38:50+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google