임상시험 문헌에서 투여 오류 자동 감지: LightGBM을 사용한 다중 모드 특성 엔지니어링 접근법

임상시험에서 약물 사용 규정에 엄격히 따르지만 투여 오류는 여전히 환자 안전과 시험의 완전성을하는 지속적인 도전으로 남아있다. 이러한 문제를 해결하기 위해, 우리는 그래디언트 부스팅을 사용하여 종합적인 다중 모드 특성 엔지니어링을 통한 비정형 임상시험 내러티브에서 투여 오류를 자동 감지하는 시스템을 제시한다. 이 시스템은 임상시험 문헌에서 투여 오류를 자동으로 감지하여 환자 안전과 시험의 완전성을 향상시키는 것을 목표로 한다.

시스템 구현

우리의 접근법은 3,451개의 특성을 포함하여 전통적인 자연어 처리(단어 빈도, 문자 n-그램), 밀집된 의미 임베딩(모든 미니엘엠엘6브이2), 도메인 특정 의학 패턴, 트랜스포머 기반 점수(바이오메드버트, 디버터바이3)를 사용하여 라이트지비엠 모델을 훈련한다. 이러한 특성들은 42,112개의 임상시험 문헌 중 9개의 보완 텍스트 필드에서 추출되어 모든 문헌에 대한 완전한 범위를 보장한다. 시티디이이 비 벤치마크 데이터셋에서 심각한 클래스 불균형에서 우리는 5-폴드 앙상블 평균으로 높은 성능을 달성한다. 시스템의 성능을 평가하기 위해, 우리는 여러 실험을 수행하였다. 시스템적 절단 연구에서 문장 임베딩을 제거하면 가장 큰 성능 저하를 보이며, 그들의 중요한 역할을 보여준다. 또한, 특성 효율성 분석에서 상위 500-1000 특성을 선택하면 최적의 성능을 보이며, 전체 특성 세트보다 효과적인 노이즈 감소를 통해 더 좋은 성능을 달성한다. 이러한 결과는 특성 선택이 규제 기법의 중요한 역할을 하고, 희박한 어휘 특성이 밀집된 표현과 함께 사용될 때 더 성능을 달성할 수 있음을 보여준다. 우리의 결과는 임상시험 문헌에서 투여 오류를 자동으로 감지하는 시스템의 가능성을 보여준다. 이러한 시스템은 임상시험에서 약물 사용 규정에 엄격히 따르지 않아 발생하는 투여 오류를 감지하여 환자 안전과 시험의 완전성을 향상시키는 데 기여할 수 있다. 또한, 이러한 연구는 임상시험 문헌에서 자연어 처리와 기계 학습을 사용하여 투여 오류를 감지하는 데 새로운 가능성을 열어주었다.