# 背景 介入的な癌臨床試験は一般的に制約が多すぎ、一部の患者は併存疾患、過去または同時進行の治療、あるいは一定の年齢を超えているという理由でしばしば除外されます。したがって、これらの特徴を持つ患者に対する新しい治療法の有効性と安全性は定義されていません。本研究では、短い臨床記述が参加基準または除外基準と見なされるかどうかを自動的に予測するモデルを構築しました。過去18年間の公開レジストリにある癌臨床試験のプロトコルを用いて単語埋め込みを学習させ、適格または不適格とラベル付けされた600万件の短い自由記述テキストのデータセットを構築しました。事前学習された単語埋め込みを入力として、深層ニューラルネットワークを用いてテキスト分類器を学習させ、臨床情報を記述する短い自由記述文が適格と見なされるかどうかを予測しました。さらに、得られた単語埋め込み表現の意味論的推論を分析し、ある種の腫瘍に対して、他の腫瘍の治療に使用される薬剤と同等の治療法を特定することができました。深層ニューラルネットワークを用いた表現学習を活用することで、臨床試験プロトコルから医療知識を抽出し、治療法の処方時に医師を支援することができることを示します。 # 内容 癌に関する49,201件の介入的臨床試験（CT）プロトコルから合計6,186,572件のラベル付けされた臨床記述が抽出されました（このデータセットのダウンロードURLは、https://clinicaltrials.gov/ct2/results?term=neoplasmtype=Intrshowdow で無料で入手できます）。ダウンロードした各CTは、臨床試験のXMLスキーマによって定義されたフィールド構造に従ったXMLファイルです[16]。このプロジェクトに関連するデータは、介入、病状、および適格性の各フィールドに記載された非構造化の自由記述言語から取得されます。適格基準（除外基準と参加基準の両方）の情報は、段落、箇条書きリスト、番号付きリストなどの自由形式で表示されるフレーズおよび/または文章のセットです。これらのフィールドのどれも共通の標準を使用せず、医療辞書やオントロジーの標準化された用語の使用を強制しません。さらに、言語には多義性と同義性の両方の問題がありました。 元のデータは、適格基準を研究対象の病状および介入と統合し、その後、抽出された2つの特徴（図2の例を参照）、すなわちラベル（適格または不適格）と、研究介入および研究対象の病状と統合された元の適格基準を含む処理済みテキストからなる短いラベル付き臨床記述のリストに変換することで利用されました。詳細は、Bustos, A.; Pertusa, A. Learning Eligibility in Cancer Clinical Trials Using Deep Neural Networks. Appl. Sci. 2018, 8, 1206. www.mdpi.com/2076-3417/8/7/1206 [www.mdpi.com/2076-3417/8/7/1206][1]を参照してください。 [1]: http://www.mdpi.com/2076-3417/8/7/1206