PyTrial：面向临床试验应用的机器学习软件与基准
人工智能
2023-10-06 v2 定量方法
摘要
临床试验旨在测试潜在药物在人体中的有效性和安全性以获得监管批准。机器学习（ML）最近作为一种辅助临床试验的新工具而出现。尽管取得了这些进展，但记录并基准化 ML 研究界可用的 ML4Trial 算法的努力甚少。此外，与临床试验相关的数据集可及性有限，且缺乏明确定义的临任务以促进新算法的开发。为填补这一空白，我们开发了 PyTrial，提供了一系列用于临床试验设计与运营的 ML 算法的基准和开源实现。在本文中，我们深入研究了针对临床试验的 34 种 ML 算法，涵盖 6 项不同任务，包括患者结局预测、试验站点选择、试验结局预测、患者-试验匹配、试验相似性搜索和合成数据生成。我们还收集并准备了 23 个 ML 就绪数据集及其在 Jupyter Notebooks 中的工作示例，以便快速实现和测试。PyTrial 通过简单的四步流程定义每项任务：数据加载、模型指定、模型训练和模型评估，均仅需几行代码即可完成。此外，我们的模块化 API 架构使从业者能够轻松扩展框架以纳入新算法和任务。代码可在 https://github.com/RyanWangZf/PyTrial 获取。
引用
@article{arxiv.2306.04018,
title = {PyTrial: Machine Learning Software and Benchmark for Clinical Trial Applications},
author = {Zifeng Wang and Brandon Theodorou and Tianfan Fu and Cao Xiao and Jimeng Sun},
journal= {arXiv preprint arXiv:2306.04018},
year = {2023}
}