SPOT: Pemodelan Prediktif Sekuensial untuk Hasil Uji Klinis dengan Meta-Learning

SPOT memprediksi hasil uji klinis dengan mengelompokkan uji ke dalam topik, memodelkan sekuens embedding uji, dan menggunakan meta-learning untuk beradaptasi dengan tugas baru. SPOT mengungguli metode sebelumnya sebesar 21,5%, 8,9%, dan 5,5% pada uji fase I, II, dan III.

Zifeng Wang; Cao Xiao; Jimeng Sun· ACM International Conference on Bioinformatics, Computational Biology and Biomedicine· 2023· DOI 10.1145/3584371.3613001

Masalah inti

Uji klinis sangat penting bagi pengembangan obat, tetapi memakan waktu, mahal, dan rentan gagal. Prediksi hasil uji yang akurat berdasarkan data uji historis menjanjikan keputusan investasi uji yang lebih baik dan tingkat keberhasilan uji yang lebih tinggi. Model prediksi hasil uji yang ada tidak dirancang untuk memodelkan hubungan antar uji yang serupa, menangkap perkembangan fitur dan desain uji yang serupa, atau mengatasi kemiringan data uji yang menyebabkan kinerja lebih rendah untuk uji yang kurang umum. Untuk mengisi celah ini, penulis mengusulkan Sequential Predictive mOdeling of clinical Trial outcome (SPOT).

Inovasi

SPOT pertama-tama mengidentifikasi topik uji untuk mengelompokkan data uji dari berbagai sumber ke dalam topik uji yang relevan. SPOT kemudian menghasilkan embedding uji dan mengorganisasikannya berdasarkan topik dan waktu untuk membuat sekuens uji klinis. Dengan mempertimbangkan setiap sekuens uji sebagai tugas, SPOT menggunakan strategi meta-learning untuk mencapai titik di mana model dapat dengan cepat beradaptasi dengan tugas baru dengan pembaruan minimal. Secara khusus, modul penemuan topik memungkinkan pemahaman yang lebih mendalam tentang struktur dasar data, sementara pembelajaran sekuensial menangkap evolusi desain dan hasil uji. Hal ini menghasilkan prediksi yang tidak hanya lebih akurat tetapi juga lebih interpretable, dengan mempertimbangkan pola temporal dan karakteristik unik dari setiap topik uji.

Pendahuluan

Uji klinis sangat penting bagi pengembangan obat, tetapi memakan waktu, mahal, dan rentan gagal. Prediksi hasil uji yang akurat berdasarkan data uji historis menjanjikan keputusan investasi uji yang lebih baik dan tingkat keberhasilan uji yang lebih tinggi. Model prediksi hasil uji yang ada tidak dirancang untuk memodelkan hubungan antar uji yang serupa, menangkap perkembangan fitur dan desain uji yang serupa, atau mengatasi kemiringan data uji yang menyebabkan kinerja lebih rendah untuk uji yang kurang umum. Untuk mengisi celah ini, penulis mengusulkan Sequential Predictive mOdeling of clinical Trial outcome (SPOT).

Mengapa penting

Modul penemuan topik memungkinkan pemahaman yang lebih mendalam tentang struktur dasar data, sementara pembelajaran sekuensial menangkap evolusi desain dan hasil uji. Hal ini menghasilkan prediksi yang tidak hanya lebih akurat tetapi juga lebih interpretable, dengan mempertimbangkan pola temporal dan karakteristik unik dari setiap topik uji. Strategi meta-learning memungkinkan model untuk dengan cepat beradaptasi dengan tugas baru dengan pembaruan minimal, mengatasi kemiringan data uji dan meningkatkan kinerja untuk uji yang kurang umum.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…