TREEMENT：基于个性化动态树记忆网络的可解释患者-试验匹配
机器学习
2023-07-20 v1 人工智能
摘要
临床试验对药物开发至关重要，但常常面临昂贵且低效的患者招募问题。近年来，已有机器学习模型被提出，通过基于纵向患者电子健康记录（EHR）数据和临床试验的合格标准，自动匹配患者与临床试验，以加速患者招募。然而，这些模型要么依赖于无法推广到其他试验的试验特定专家规则，要么使用黑盒模型在非常通用的层面上进行匹配，缺乏可解释性使得模型结果难以被采用。为了提供准确且可解释的患者-试验匹配，我们提出了一种名为 TREEMENT 的个性化动态树记忆网络模型。它利用分层临床本体来扩展从序列 EHR 数据中学到的个性化患者表示，然后使用从合格标准嵌入中学到的注意力束搜索查询，提供细粒度的对齐以提升性能和可解释性。我们在真实世界数据集上将 TREEMENT 与现有模型进行了评估，结果表明 TREEMENT 在标准级匹配的错误减少方面比最佳基线高出 7%，并在试验级匹配能力上取得了最先进（SOTA）的结果。此外，我们还展示了 TREEMENT 能够提供良好的可解释性，使模型结果更易于被采用。
引用
@article{arxiv.2307.09942,
title = {TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network},
author = {Brandon Theodorou and Cao Xiao and Jimeng Sun},
journal= {arXiv preprint arXiv:2307.09942},
year = {2023}
}