XiaoMi-AI文件搜索系统
World File Search System取药
大语言模型提取药物建议模型
摘要 - 药物的建议是智能医疗保健系统的重要方面，因为它涉及根据患者的特定健康需求规定最合适的药物。不幸的是，当前正在使用的许多复杂模型倾向于忽略医疗数据的细微差别语义，同时仅依靠身份。此外，这些模型在处理涉及第一次访问医院的患者的病例中面临重大挑战，因为他们缺乏以前的处方历史。为了解决这些问题，我们利用大语模型（LLM）的强大语义理解和投入性特征。我们的研究旨在使用LLMS转变现有的药物建议方法。在本文中，我们介绍了一种名为“大语言模型”提炼药物建议（领导者）的新方法。我们首先创建适当的提示模板，使LLM能够有效建议药物。然而，LLM直接整合到推荐系统中会导致特定于药物的孔外问题。我们通过使用新颖的输出层和精制的调谐损耗函数来调整LLM来处理它。尽管基于LLM的模型表现出显着的功能，但它们在推理过程中受到高度计算成本的困扰，这对医疗保健行业来说是不切实际的。为了减轻这种情况，我们开发了一种功能级知识蒸馏技术，该技术将LLM的熟练程度转移到了更紧凑的模型中。为了简化实验的可重复性，我们在线发布实施代码1。在两个现实世界数据集（MIMIC-III和MIMIC-IV）上进行的广泛实验表明，我们提出的模型不仅可以提供有效的结果，而且还具有有效的效率。
在澳大利亚获取药品 - 过渡资金联盟
REFERENCES: 1. Matthews et al (2016) ‘Omics' - Informed drug and biomarker discovery; Opportunities, challenges and future perspectives; DOI 10.3390/proteomes/4030028 2. TGA, Prescription Medicines Registration Process, Available at: https://www.tga.gov.au/how-we-regulate/supply-therapeutic-good/supply-prescription-medicine/application-process/prescription-medicines- registration-process Accessed October 2024 3. Medicines Australia. Medicines Matter 2022: Australia's Access to Medicines 2016-2021 4. Lybrand S. & Wonder M., Analysis of PBAC submissions and outcomes for medicines (2010-2018). International Journal of Technology Assessment in Health Care (2020) 36(3) 228 5. AstraZeneca, An Interim Cancer Fund in Australia, Available: https://www.astrazeneca.com.au/content/dam/az-au/Position_Statements/AstraZeneca%20Oncology%20-%20Interim%20Cancer%20Fund%20Green%20Paper.pdf Accessed October 2024 6. Department of Health and Aged Care, Anniversary price reductions, Available at: https://www.pbs.gov.au/info/industry/pricing/anniversary-price-reductions Accessed October 2024.
ViiV Healthcare 全球政策简报/获取药品
我们的药品获取战略认识到，没有一种放之四海而皆准的方法能够让全球所有人都能获得药品。ViiV Healthcare 采用量身定制的方法，该方法针对特定国家，并根据当地流行病和国家经济状况（由世界银行定义）制定。从地理上讲，我们专注于中低收入国家 (LMIC)1 和撒哈拉以南非洲 (SSA) 国家，这些国家对艾滋病毒预防和治疗方案的需求一直未得到满足。我们还认识到，实现普遍获得艾滋病毒检测、预防、治疗和护理需要由不同国家、地区和全球卫生决策者以及公共、私营和非营利部门的主要利益相关者之间的合作力量来支持。这对于推动实现可持续发展目标 (SDG)、修订后的联合国艾滋病规划署 95-95-95 目标以及国家艾滋病毒目标、具体目标和抱负至关重要。2 我们为扩大药品的可及性和可用性做出的承诺和贡献包括：
加拿大罕见病药物获取途径快照：我们获取药物的时间
这种未来状态可行吗？ • 平均每年有 11 名非肿瘤科 DRD 接受 CADTH 治疗（范围：8-14） • 超过 90% 的 DRD 将获得 CADTH 或 INESSS 的积极推荐，需要进行 pCPA 谈判 • 潜在的资金机会来支持这种早期参与 • 增加 pCPA 的能力和资源以潜在地支持更多创新途径 • 从英国的创新许可和访问途径中学习
R-BERT-CNN：从...中提取药物-靶标相互作用
摘要 — 在本研究中，我们介绍了我们参与 BioCreative VII 挑战赛的 DrugProt 任务的工作。药物-靶标相互作用 (DTI) 对于药物发现和重新利用至关重要，通常是从实验文章中手动提取的。PubMed 上有超过 3200 万篇生物医学文章，从如此庞大的知识库中手动提取 DTI 具有挑战性。为了解决这个问题，我们为 Track 1 提供了一个解决方案，旨在提取药物和蛋白质实体之间的 10 种相互作用。我们应用了一个集成分类器模型，该模型结合了最先进的语言模型 BioMed-RoBERTa 和卷积神经网络 (CNN) 来提取这些关系。尽管 BioCreative VII DrugProt 测试语料库中存在类别不平衡，但与挑战赛中其他提交的平均水平相比，我们的模型取得了良好的表现，微 F1 得分为 55.67%（BioCreative VI ChemProt 测试语料库为 63%）。结果显示了深度学习在提取各种类型 DTI 方面的潜力。