临床试验叙述中给药错误的自动检测：基于 LightGBM 的多模态特征工程方法
人工智能
2026-04-23 v1 计算与语言
摘要
临床试验要求严格遵守用药方案，但给药错误仍是一个影响患者安全和试验完整性的长期挑战。我们提出了一种自动化系统，利用梯度提升与全面的多模态特征工程，从非结构化临床试验叙述中检测给药错误。该方法结合了 3,451 个特征，涵盖传统 NLP（TF-IDF、字符 n-grams）、稠密语义嵌入（all-MiniLM-L6v2）、特定领域医学模式以及基于 Transformer 的评分（BiomedBERT、DeBERTa-v3），用于训练 LightGBM 模型。特征从九个互补的文本字段中提取（每个样本中位数为 5,400 个字符），确保覆盖所有 42,112 份临床试验叙述。在存在严重类别不平衡（4.9% 阳性率）的 CT-DEB 基准数据集上，我们通过 5 折集成平均实现了 0.8725 的测试 ROC-AUC（交叉验证：0.8833 + 0.0091 AUC）。系统性消融研究表明，移除句子嵌入会导致最大的性能下降（2.39%），证明其尽管仅贡献了 37.07% 的总特征重要性，但仍发挥着关键作用。特征效率分析表明，选择前 500-1000 个特征可产生最佳性能（0.886-0.887 AUC），通过有效的噪声抑制优于完整的 3,451 特征集（0.879 AUC）。我们的发现突出了特征选择作为一种正则化技术的重要性，并证明在严重的类别不平衡下，稀疏词汇特征与稠密表示在专业临床文本分类中仍具有互补性。
引用
@article{arxiv.2604.19759,
title = {Automated Detection of Dosing Errors in Clinical Trial Narratives: A Multi-Modal Feature Engineering Approach with LightGBM},
author = {Mohammad AL-Smadi},
journal= {arXiv preprint arXiv:2604.19759},
year = {2026}
}
备注
Accepted for CL4Health 2026, LREC26 conference