Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Kedokteran & Kesehatan

Open AccessOA2023

AutoTrial: Prompting Language Models for Clinical Trial Design

AutoTrial memakai hibrida prompting diskret dan neural untuk menghasilkan kriteria kelayakan uji klinis, dengan tingkat kemenangan 60% terhadap GPT-3.5 dalam evaluasi manusia meski ukuran parameternya jauh lebih kecil.
Zifeng Wang; Cao Xiao; Jimeng Sunยท Conference on Empirical Methods in Natural Language Processingยท 2023ยท DOI 10.48550/arXiv.2305.11366

Masalah inti

Uji klinis penting untuk pengembangan obat, dan penyusunan kriteria kelayakan yang tepat (kriteria inklusi/eksklusi untuk perekrutan pasien) krusial bagi keberhasilan uji. Perancangan yang baik harus mempertimbangkan uji preseden serupa dan kriteria kelayakannya agar cakupan pasien memadai. Para penulis memperkenalkan AutoTrial, sebuah metode untuk membantu perancangan kriteria kelayakan klinis menggunakan model bahasa. Metode ini memungkinkan (1) generasi terkendali di bawah instruksi melalui hibrida prompting diskret dan neural, (2) penyerapan pengetahuan yang skalabel melalui in-context learning, dan (3) rantai penalaran eksplisit untuk memberikan rasional guna memahami keluaran.

Inovasi

AutoTrial memanfaatkan model bahasa dengan strategi prompting hibrida yang menggabungkan prompt diskret (misalnya instruksi tugas dan contoh) dan prompt neural (representasi kontinu yang dipelajari). Ini memungkinkan generasi terkendali di bawah instruksi. In-context learning dipakai untuk menyerap pengetahuan skalabel dari uji preseden, sehingga model dapat beradaptasi pada uji baru tanpa pelatihan ulang. Selain itu, metode ini menghasilkan rantai penalaran eksplisit yang memberikan rasional bagi kriteria yang dihasilkan, sehingga meningkatkan interpretabilitas. Pendekatan ini dievaluasi pada lebih dari 70K uji klinis.
Pendahuluan
Uji klinis penting untuk pengembangan obat, dan penyusunan kriteria kelayakan yang tepat (kriteria inklusi/eksklusi untuk perekrutan pasien) krusial bagi keberhasilan uji. Perancangan yang baik harus mempertimbangkan uji preseden serupa dan kriteria kelayakannya agar cakupan pasien memadai. Para penulis memperkenalkan AutoTrial, sebuah metode untuk membantu perancangan kriteria kelayakan klinis menggunakan model bahasa. Metode ini memungkinkan (1) generasi terkendali di bawah instruksi melalui hibrida prompting diskret dan neural, (2) penyerapan pengetahuan yang skalabel melalui in-context learning, dan (3) rantai penalaran eksplisit untuk memberikan rasional guna memahami keluaran.

Mengapa penting

Hasil menunjukkan bahwa AutoTrial dapat secara efektif membantu perancangan uji klinis dengan menghasilkan kriteria kelayakan yang relevan dan koheren. Pendekatan prompting hibrida dan in-context learning memungkinkan model menyerap pengetahuan domain dan menghasilkan keluaran terkendali. Rantai penalaran eksplisit memberikan transparansi, yang krusial untuk aplikasi klinis. Kinerja kuat terhadap GPT-3.5, meski ukuran model lebih kecil, menunjukkan bahwa strategi prompting yang diusulkan efisien dan efektif. Pekerjaan selanjutnya dapat menjajaki aplikasi yang lebih luas dan penyempurnaan lebih lanjut.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ