《利用大语言模型生成临床试验表格与图表》2024年10月29日本文探讨了如何利用大语言模型（LLMs）通过提示工程和少样本迁移学习来自动化生成临床试验中的表格、图形和列表。在制药行业，向卫生当局提交临床研究报告是药物审批过程的关键部分。临床研究报告中的表格、图表和清单（TFLs）是总结临床试验数据的基本工具，包括人口统计数据的总结、疗效和安全结果。所有分析和TFLs都是根据方案和统计分析计划预先指定的，并且每个TFL中的数据都是预先确定的，并可追溯到数据收集。生成TFLs的过程通常需要熟练的统计学专业人员和程序员花费大量时间和精力来准备和验证统计程序。近年来，大型语言模型（LLMs）在文本生成、分类和自然语言理解等方面取得了显著进展。在临床试验数据报告领域，表格、图表和列表（TFLs）是总结和分析临床数据的关键工具。然而，传统上，TFLs的制作耗时且依赖于专业人员的手动操作。为了解决这一问题，本研究探索了利用大型语言模型自动生成TFLs的可能性，通过提示工程和少样本迁移学习技术，实现了临床试验数据TFLs的高效生成。进一步，本研究还开发了一个名为“临床试验TFL助手”的应用程序。该程序通过匹配用户查询与预定义的提示指令，生成定制化的程序来生成特定的TFLs。这种应用方式使得非专业人员也能够通过简单的查询来生成所需的TFLs，极大地降低了TFLs制作的门槛和成本。除了生成TFLs外，研究人员还探讨了大语言模型在临床试验数据报告领域的其他应用。例如，利用大语言模型提取临床试验资格标准、从非结构化数据源中提取相关医疗信息等。这些应用进一步拓展了大语言模型在临床试验数据报告领域的适用范围，为药物研发和数据分析提供了更加便捷和高效的工具。在方法论方面，该研究采用了提示工程和少样本迁移学习的技术来优化大语言模型的性能。通过设计合理的提示指令，研究人员能够引导大语言模型更好地理解用户意图并生成符合要求的TFLs。同时，少样本迁移学习技术使得大语言模型能够在有限的训练数据下快速适应新的任务，进一步提高了其泛化能力和实用性。本研究成功地生成了 16 个表格和1个卡普兰-梅尔分析曲线图。通过将 LLM 生成的结果与临床数据交换标准协会试点复制项目中发布的结果进行手动比较，以及将生成的卡普兰-梅尔分析曲线图与临床数据交换标准协会试点研究报告中的相应曲线图进行比较，结果显示，除了涉及统计检验的分析外，所有其他分析都达到了 100% 的准确率。统计检验需要更多提示语的定制和统计学家的输入来定义模型的工作步骤。在诺华公司的合成临床试验数据集上进行的测试也取得了成功，证明了提示语的可重用性和泛化能力。然而，尽管大语言模型在临床试验数据报告领域展现出巨大的潜力，但其应用仍面临一些挑战。例如，如何设计更加精准和高效的提示指令、如何确保生成的TFLs的准确性和一致性等。此外，随着临床试验数据的不断增加和复杂化，如何进一步提高大语言模型的处理能力和效率也是未来研究的重要方向。总而言之，利用大型语言模型生成临床试验表格与图表是一项具有创新性和实用性的研究。该研究不仅为临床试验数据报告提供了一种新的自动化生成方式，还为药物研发和数据分析提供了更加便捷和高效的工具。未来，随着技术的不断进步和应用场景的拓展，大语言模型在临床试验数据报告领域的应用前景将更加广阔。如需要《利用大语言模型生成临床试验表格与图表》（英文，9页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后发来email地址索取。★ 每日鲜鸡汤 ★The pursuit of progress means never allowing today's self to be the same as yesterday's self. 追求进步，就是不能让今天的自己再是昨天的自己。早上好！
