randomized controlled trial
PulseAugur coverage of randomized controlled trial — every cluster mentioning randomized controlled trial across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
人工智能与真实世界证据加速罕见病治疗研发
人工智能（AI）与真实世界证据（RWE）正在融合，以加速罕见病的治疗研发。由于患者群体小且难以收集足够数据，传统的临床试验对于这些疾病往往不切实际。通过将AI与真实世界证据来源（如电子健康记录、患者登记册和保险索赔）相结合，研究人员可以更有效地定义患者队列、调整混杂因素、检测治疗模式并识别不良事件。美国食品药品监督管理局（FDA）等监管机构日益认可这种混合证据生成方法。
-
新的CALM方法对齐RCT和观察性数据以改进治疗效果估计
研究人员开发了CALM（Calibrated ALignment under covariate Mismatch，协变量失配下的校准对齐）方法，这是一种通过对齐随机对照试验（RCT）和观察性研究（OS）的数据来改进治疗效果估计的新方法。CALM学习嵌入，将来自不同来源的特征映射到公共空间，从而允许使用RCT数据校准OS结果模型。该方法旨在减少方差并增强对效应异质性的检测，尤其是在非线性场景下。该方法已通过线性和神经网络（CALM-L…
-
ChatGPT 被探索用于提高临床试验效率
研究人员探索使用 ChatGPT 来改进随机对照试验（RCT），这些试验通常成本高昂且耗时。目标是找到一种更有效的解决方案来进行这些试验。
-
人工智能评估研究面临有效性挑战，论文发现
一篇新发表在 arXiv 上的论文详细介绍了通过人类提升研究评估前沿人工智能系统时面临的方法学挑战。这些研究使用随机对照试验来衡量人工智能对人类绩效的影响，并越来越多地被用于指导人工智能治理。然而，该论文强调了标准因果推断假设与人工智能、用户熟练度和现实世界环境的快速发展性质之间存在的张力，这可能会影响研究的有效性。该研究综合了专家识别的挑战，并提出了澄清此类证据的适当使用和解释限制的解决方案。
-
新研究设计解决了观察性数据中未观测到的混淆问题
研究人员引入了一种名为“通过治疗意图检测混淆因子”的新型研究设计，以解决观察性数据中未观测到的混淆问题。该方法涉及询问人类专家以识别影响治疗决策的未观测变量。该方法已通过理论验证，并通过概念验证进行了演示，该验证使用临床文本笔记和自然语言处理来研究重症监护室的干预措施，显示了其在电子健康记录中发现混淆因素的潜力。