一个使用ML技术的新型模型用于临床试验设计和加速患者入学流程

科学领域:

• 临床研究是临床研究.
• 生物医学信息学是生物医学信息学.
• 在医疗保健中的数据科学.

背景情况:

• 临床试验是必不可少的,但在效率方面面临挑战.
• 优化试验设计和患者招生对于药物开发至关重要.
• 机器学习 (ML) 为这些低效率提供了潜在的解决方案.

研究的目的:

• 调查ML模型的集成,以简化临床试验设计.
• 使用ML分类技术优化患者和志愿者注册.
• 在这些应用中评估各种ML模型的性能.

主要方法:

• 使用了两个数据集:临床试验.gov (55,000个样本) 用于试验参数和UCI ML存储库用于患者资格.
• 应用了五种ML模型 (XGBoost,随机森林,SVC,后勤回归,决策树) 和人工神经网络 (ANN).
• 评估模型使用精度,回忆,平衡精度,ROC-AUC和加权F1得分与k倍交叉验证.

主要成果:

• 在优化试验参数方面,XGBoost和Random Forest表现出卓越的表现 (平均值). 平衡精度为0.71,平均水平. ROC-AUC是0.7的) 的情况.
• 在患者资格分类 (测试精度为0.73714) 和可扩展性方面,ANN表现出强的表现.
• SVC 和 ANN 对于分类是有效的,而 ANN 对于较大的数据集是首选的.

结论:

• ML模型显著改善了临床试验工作流程.
• XGBoost和Random Forest对于优化大型临床试验数据集是非常有效的.
• ANN显示了可扩展的患者资格分类的前景,提高了临床试验的效率和准确性.