CT-ADE: An Evaluation Benchmark for Adverse Drug Event Prediction from Clinical Trial Results

药物不良事件（ADEs）对临床研究和公共卫生产生了重大影响，导致临床试验失败并增加医疗保健成本。准确预测和管理ADEs对于改善开发更安全、更有效的药物和提高患者预后至关重要。为支持这一努力，我们介绍了CT-ADE，这是一个新颖的数据集，旨在增强ADEs的预测建模。CT-ADE数据集包含从临床试验结果中提取的超过12,000个实例，集成了药物、患者人口和上下文信息，用于单一药物治疗中的多标签ADE分类任务，为开发先进的预测模型提供了全面的资源。为了反映ADEs的复杂性，注释在医药监管活动医学字典（MedDRA）本体的系统器官类别级别上进行标准化。使用基线模型进行的初步分析已经展示了有希望的结果，实现了73.33%的F1得分和81.54%的平衡准确性，突出了CT-ADE推进ADE预测的潜力。CT-ADE为希望利用人工智能和机器学习增强患者安全并减少ADEs对制药研究和开发的影响的研究人员提供了必不可少的工具。有兴趣使用CT-ADE数据集的研究人员可以在https://github.com/xxxx/xxxx找到所有必要的资源。

提高不良药物反应（ADE）的预测模型的准确性，从而改善药物开发的安全性和患者结果。

创建一个新的数据集（CT-ADE），整合药物、患者人群和上下文信息，用于单一药物治疗中的多标签ADE分类任务，标准化注释在MedDRA本体系统器官类级别。

CT-ADE数据集包含超过12,000个实例，使用基线模型获得了73.33％的F1得分和81.54％的平衡准确性。该数据集为使用人工智能和机器学习提高患者安全性和最小化ADE对制药研究和开发的影响的研究人员提供了重要工具。数据集可在GitHub上获取。

最近的相关研究包括： 1. "An analysis of adverse drug reaction data from the European Medicines Agency" by Patadia et al. 2. "Predicting adverse drug reactions using publicly available data: a feasibility study" by Yang et al. 3. "Deep learning for pharmacovigilance: recurrent neural network architectures for labeling adverse drug reactions in Twitter posts" by Sarker et al.