TWIN-GPT：通过大语言模型实现临床试验的数字孪生
机器学习
2024-07-02 v2 计算与语言
统计方法学
摘要
临床试验对于医学研究和新疗法的开发不可或缺。然而，临床试验通常涉及数千名参与者，可能需要数年才能完成，且过程中失败概率很高。最近，人们对虚拟临床试验的兴趣日益增长，它模拟真实场景，有望显著提高患者安全性、加速开发、降低成本，并为更广泛的医疗科学知识做出贡献。现有研究通常侧重于利用电子健康记录来支持临床试验结果预测。然而，由于训练数据有限，现有方法往往难以进行准确预测。一些研究尝试生成电子健康记录以增强模型开发，但在针对个体患者档案进行个性化生成方面存在不足。最近，大语言模型的出现揭示了新的可能性，其嵌入的全面临床知识已被证明有助于解决医学问题。在本文中，我们提出了一种基于大语言模型的数字孪生创建方法，称为TWIN-GPT。TWIN-GPT能够在有限数据下建立医疗信息的跨数据集关联，为不同患者生成独特的个性化数字孪生，从而保留个体患者特征。综合实验表明，使用TWIN-GPT创建的数字孪生可以提升临床试验结果预测，超越以往多种预测方法。
引用
@article{arxiv.2404.01273,
title = {TWIN-GPT: Digital Twins for Clinical Trials via Large Language Model},
author = {Yue Wang and Tianfan Fu and Yinlong Xu and Zihan Ma and Hongxia Xu and Yingzhou Lu and Bang Du and Honghao Gao and Jian Wu},
journal= {arXiv preprint arXiv:2404.01273},
year = {2024}
}