SECRET：基于半监督的临床试验文档相似性搜索
人工智能
2025-05-19 v1 机器学习
摘要
临床试验是评估新疗法安全性和有效性的关键环节。然而，临床试验耗时、昂贵且资源投入大，在试验设计错误、疗效下降及安全事件等方面出现问题时，可能导致显著的延迟、经济损失以及声誉受损。这些风险凸显了在试验设计中做出明智和战略性决策的重要性，以缓解风险并提高成功试验的可能性。确定相似的历史试验至关重要，因为这些试验可为潜在的陷阱和挑战提供重要参考，包括严重不良事件、剂量误差、招募困难、患者依从性问题等。针对这些挑战进行的试验设计可导致开发更有效的研究方案，以优化患者安全性和试验效率。本文提出了一种新颖的方法，通过总结临床试验方案并基于查询试验的方案进行相似试验搜索来识别相似的历史试验。我们的 метод显著优于所有基线方法，在 recall@1 上提升最高可达 78%，在 precision@1 上相较于最佳基线提升 53%。我们还展示了该方法在部分试验相似性搜索和零样本患者-试验匹配任务中均优于其他所有基线方法，凸显其在这些任务中的卓越实用性。
引用
@article{arxiv.2505.10780,
title = {SECRET: Semi-supervised Clinical Trial Document Similarity Search},
author = {Trisha Das and Afrah Shafquat and Beigi Mandis and Jacob Aptekar and Jimeng Sun},
journal= {arXiv preprint arXiv:2505.10780},
year = {2025}
}