SPOT：基于元学习的临床试验结果序列预测建模
机器学习
2023-04-12 v1 人工智能
摘要
临床试验对药物开发至关重要，但耗时、昂贵且易失败。基于历史试验数据准确预测试验结局有望改善试验投资决策并提高试验成功率。现有试验结局预测模型未能建模相似试验间的关系、捕捉相似试验特征与设计的演进，或处理试验数据的偏斜性——后者导致对较不常见试验的预测性能不佳。为弥补不足并提供准确的试验结局预测，我们提出临床试验结局序列预测建模（SPOT），其首先识别试验主题以将多源试验数据聚类为相关试验主题，随后生成试验嵌入并按主题与时间组织以创建临床试验序列。将每个试验序列视为一项任务，它采用元学习策略使模型在最少更新下快速适应新任务。特别地，主题发现模块深化了对数据底层结构的理解，而序列学习捕捉了试验设计与结局的演化。这带来了不仅更准确且更具可解释性的预测，同时考虑了时间模式与各试验主题的独有特征。我们证明 SPOT 在试验结局基准数据上显著优于先前方法：在精确率-召回率曲线下面积（PR-AUC）指标上，I 期提升 21.5%，II 期提升 8.9%，III 期提升 5.5%。
引用
@article{arxiv.2304.05352,
title = {SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning},
author = {Zifeng Wang and Cao Xiao and Jimeng Sun},
journal= {arXiv preprint arXiv:2304.05352},
year = {2023}
}