CTP-LLM: 利用大语言模型进行临床试验阶段转换预测
机器学习
2025-10-17 v3 机器学习
数值分析
数值分析
摘要
新药的开发需要经过多个阶段的临床试验。尽管将药物推向市场需要大量的人力和财务成本，但接受测试的药物中不到 20% 能从第一阶段进入最终获批。近期文献表明，试验方案的设计对试验表现有显著贡献。我们利用试验设计文档研究了临床试验结果预测（CTOP），以自动预测阶段转换。我们提出了 CTP-LLM，即首个用于 CTOP 的大语言模型（LLM）方法。我们还引入了 PhaseTransition（PT）数据集，该数据集根据试验在监管过程中的进展进行标注，并作为 CTOP 评估的基准。我们微调的基于 GPT-3.5 的模型（CTP-LLM）通过分析试验的原始方案文本预测临床试验阶段转换，无需人工选择的特征。CTP-LLM 在所有阶段的阶段转换预测中达到了 67% 的准确率，在预测从 III 期到最终获批的转换中达到了 75% 的准确率。我们的实验性能突显了 LLM 驱动的应用在预测临床试验结果和评估试验设计方面的潜力。
引用
@article{arxiv.2408.10996,
title = {Approximation Rates for Shallow ReLU$^k$ Neural Networks on Sobolev Spaces via the Radon Transform},
author = {Tong Mao and Jonathan W. Siegel and Jinchao Xu},
journal= {arXiv preprint arXiv:2408.10996},
year = {2025}
}