- SAM: самоадаптирующаяся смесь перед динамическим заимствованием информации из исторических данных в клинических испытаниях (arXiv)
Автор: Пэн Ян, Юаньсун Чжао, Лей Не, Джонатон Вальехо, Ин Юань.
Аннотация: смешанные априорные данные обеспечивают интуитивно понятный способ включения исторических данных при учете потенциального конфликта априорных данных путем объединения информативного априорного с неинформативным априорным. Тем не менее, предварительное определение веса смешивания для каждого компонента остается серьезной проблемой. В идеале вес смешивания должен отражать степень конфликта априорных данных, который часто заранее неизвестен, что создает серьезное препятствие для применения и принятия априорных данных смеси. Чтобы решить эту проблему, мы вводим априорные значения самоадаптирующейся смеси (SAM), которые определяют вес смешивания с использованием статистики теста отношения правдоподобия. Априори SAM управляются данными и самоадаптируются, отдавая предпочтение информативному (неинформативному) априорному компоненту, когда мало (существенных) свидетельств конфликта априорных данных. Следовательно, априоры SAM достигают динамического заимствования информации. Мы демонстрируем, что априорные значения SAM проявляют желаемые свойства как в конечных, так и в больших выборках и достигают согласованности заимствования информации. Кроме того, априорные данные SAM легко вычисляются, управляются данными и не требуют калибровки, что снижает риск выемки данных. Численные исследования показывают, что априорные модели SAM превосходят существующие методы в эффективном использовании конфликтов априорных данных. Мы разработали пакет R и веб-приложение, которые находятся в свободном доступе, чтобы облегчить использование SAM Priors.
2.AutoTrial: языковые модели подсказок для дизайна клинических испытаний (arXiv)
Автор: Цзыфэн Ван, Цао Сяо, Цзимэн Сунь.
Резюме: Клинические испытания имеют решающее значение для разработки лекарств. Построение соответствующих критериев приемлемости (т. е. критериев включения/исключения для набора пациентов) имеет важное значение для успеха исследования. Надлежащий дизайн протоколов клинических испытаний должен учитывать аналогичные прецедентные испытания и их критерии приемлемости для обеспечения достаточного охвата пациентов. В этой статье мы представляем метод под названием AutoTrial, который помогает разработать клинические критерии приемлемости с использованием языковых моделей. Это позволяет (1) контролируемую генерацию в соответствии с инструкциями с помощью гибрида дискретных и нейронных подсказок, (2) масштабируемое включение знаний посредством обучения в контексте и (3) явные цепочки рассуждений для обоснования понимания результатов. Эксперименты на более чем 70 000 клинических испытаний подтверждают, что AutoTrial генерирует высококачественные тексты критериев, которые являются беглыми и связными и с высокой точностью фиксируют соответствующие клинические концепции для целевого исследования. Примечательно, что наш метод, с гораздо меньшим размером параметра, выигрывает около 60% по сравнению с базовыми показателями GPT-3.5 благодаря человеческим оценкам.
