TrialEnroll：基于深度交叉网络与大语言模型预测临床试验招募成功率
机器学习
2024-07-19 v1 计算与语言
摘要
临床试验需要招募足够数量的志愿者患者，以证明新药等治疗方案在治愈某种疾病方面的统计功效。临床试验的招募工作对试验成功具有重要影响。预测招募过程是否成功，能够在试验运行前节省大量资源和时间。本文提出了一种 novel 深度交叉网络，结合大语言模型(LLM)增强的文本特征，从试验资格标准中学习语义信息，并预测招募成功率。该方法通过理解资格标准中哪些句子/词汇对预测贡献最大，实现可解释性。我们还证明，该方法(0.7002 PR-AUC)在众多成熟机器学习方法之上表现优异。代码和数据集已公开于 https://anonymous.4open.science/r/TrialEnroll-7E12。
引用
@article{arxiv.2407.13115,
title = {TrialEnroll: Predicting Clinical Trial Enrollment Success with Deep & Cross Network and Large Language Models},
author = {Ling Yue and Sixue Xing and Jintai Chen and Tianfan Fu},
journal= {arXiv preprint arXiv:2407.13115},
year = {2024}
}