电子数据捕获领域的自动映射到SDTM.
Eric Yang1, Laura Katz1, Sushila Shenoy1
1Medidata Solutions, New York, New York, United States of America.
PloS one
|November 7, 2024
概括
语网络自动化临床试验数据映射,显著提高准确性和减少手工工作. 这种机器学习方法提高了数据捕获的提交效率.
科学领域:
- 机器学习 机器学习
- 生物信息学是一种生物信息学.
- 临床数据管理 临床数据管理
背景情况:
- 在临床试验中手动数据映射是劳动密集型的.
- 传统方法对于大数据集和众多类缺乏效率.
研究的目的:
- 为了减少临床试验数据采集和监管提交的手工工作.
- 为了证明语网络在数据领域分类方面的有效性.
主要方法:
- 利用语网络从电子数据捕获形式的元数据中生成嵌入.
- 在生成嵌入式上使用传统的机器学习分类器.
- 专注于学习数据相似性,以改善分类.
主要成果:
- 实现了超过90%的分类准确度,比传统方法有了显著的改进.
- 在许多情况下,准确度增加了15%.
- 缺乏培训数据被认为是导致一些不准确的原因.
结论:
- 罗式网络有效地产生低维数据场嵌入.
- 自动化数据模式映射可以实现高精度.
- 这代表了自动化临床试验数据管理任务的关键一步.


