TrialDura：用于可解释临床试验持续时间预测的分层注意力Transformer
机器学习
2024-07-19 v2
摘要
临床试验过程是药物开发中的关键阶段，对于开发新疗法至关重要。干预性临床试验的主要目标是评估基于药物的治疗方法对特定疾病的安全性和有效性。然而，这些试验通常耗时、费力且昂贵。临床试验的持续时间显著影响总体成本，因此高效的时间线管理对于控制预算和确保研究的经济可行性至关重要。为解决此问题，我们提出了TrialDura，一种基于机器学习的方法，利用多模态数据（包括疾病名称、药物分子、试验阶段和入组标准）来估计临床试验的持续时间。然后，我们将这些数据编码为专门针对生物医学语境调优的Bio-BERT嵌入，以提供对临床试验数据更深入、更相关的语义理解。最后，模型的分层注意力机制连接所有嵌入以捕捉它们之间的交互并预测临床试验持续时间。我们提出的模型表现出优越的性能，平均绝对误差（MAE）为1.04年，均方根误差（RMSE）为1.39年，与其他模型相比，表明临床试验持续时间预测更准确。公开代码可在以下网址找到：https://anonymous.4open.science/r/TrialDura-F196。
关键词
引用
@article{arxiv.2404.13235,
title = {TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction},
author = {Ling Yue and Jonathan Li and Sixue Xing and Md Zabirul Islam and Bolun Xia and Tianfan Fu and Jintai Chen},
journal= {arXiv preprint arXiv:2404.13235},
year = {2024}
}