新的人工智能模型通过量化不确定性来增强临床试验批准预测

斯坦福大学和伦斯勒理工学院的研究人员开发了一种先进的人工智能模型，可以提高临床试验批准的预测准确性。这项研究发表在《健康数据科学》杂志上，介绍了一种量化不确定性和增强可解释性的新方法，其效果显著优于现有方法。

准确预测临床试验的成功对于优化资源和改进新疗法的开发过程至关重要。

新模型基于选择性分类 (SC)，并与最先进的分层交互网络 (HINT) 相结合，通过识别低置信度试验并在必要时保留预测，为临床试验管理带来了重大进步。这种选择性方法可以更可靠地预测试验结果，尤其是对于预测不确定性最大的早期试验。

伦斯勒理工学院助理教授付天帆表示：“我们的AI模型可以准确预测临床试验的批准率，帮助优化临床试验的管理。下一步是更加精细地模拟临床试验，最终目标是AI可以完全模拟临床试验。”

临床试验是新药和新疗法研发过程中至关重要但成本高昂且耗时的阶段。目前，许多试验因药物无效、安全问题或试验设计缺陷等问题而失败。

层次交互网络 (HINT) 曾是临床试验审批预测领域的领先模型，但其缺乏不确定性量化，限制了其在实际应用中的有效性。通过选择性分类增强 HINT，新模型解决了这些限制。

在傅天凡及其团队的带领下，研究人员开发了一种将选择性分类与 HINT 模型相结合的方法，以量化预测中的不确定性。这种新颖的方法使模型仅在有信心时才提供预测，从而提高了临床试验成功预测的准确性。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！