An Evaluation Benchmark for Adverse Drug Event Prediction from Clinical Trial Results

要約

有害薬物イベント（ADE）は、臨床試験の主要な安全性の問題です。
したがって、ADEを予測することは、より安全な薬を開発し、患者の転帰を高めるための鍵です。
この取り組みをサポートするために、モニッ麻痺治療におけるマルチサーベルADE予測のデータセットであるCT-ADEを紹介します。
CT-adeは、Meddraオントロジーを使用して注釈を付けられた臨床試験結果から2,497個の薬物と168,984個の薬物療法ペアを含みます。
既存のリソースとは異なり、CT-ADEは治療とターゲット集団データを統合し、投与量、管理ルート、人口統計などのさまざまな条件下で比較分析を可能にします。
さらに、CT-EDEは、肯定的および負の症例を含む、研究集団のすべてのADEを体系的に収集します。
CT-adデータセットを使用してADE予測パフォーマンスのベースラインを提供するために、大規模な言語モデル（LLM）を使用して分析を実施しました。
最高のLLMは56％のF1スコアを達成し、化学構造のみに依存している治療と患者情報を21％〜38％上回るモデルを取り入れました。
これらの調査結果は、ADE予測におけるコンテキスト情報の重要性を強調し、医薬品研究開発における安全リスク評価のための堅牢なリソースとしてCT-ADEを確立します。

要約(オリジナル)

Adverse drug events (ADEs) are a major safety issue in clinical trials. Thus, predicting ADEs is key to developing safer medications and enhancing patient outcomes. To support this effort, we introduce CT-ADE, a dataset for multilabel ADE prediction in monopharmacy treatments. CT-ADE encompasses 2,497 drugs and 168,984 drug-ADE pairs from clinical trial results, annotated using the MedDRA ontology. Unlike existing resources, CT-ADE integrates treatment and target population data, enabling comparative analyses under varying conditions, such as dosage, administration route, and demographics. In addition, CT-ADE systematically collects all ADEs in the study population, including positive and negative cases. To provide a baseline for ADE prediction performance using the CT-ADE dataset, we conducted analyses using large language models (LLMs). The best LLM achieved an F1-score of 56%, with models incorporating treatment and patient information outperforming by 21%-38% those relying solely on the chemical structure. These findings underscore the importance of contextual information in ADE prediction and establish CT-ADE as a robust resource for safety risk assessment in pharmaceutical research and development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google