Auf der ISCTM -Konferenz präsentiert Netramark neue kognitive Erkenntnisse über …
Toronto, 5. März 2025 (OTS/PRNewswire)
Netramark Holdings Inc. (“Unternehmen” oder “Netramark”) (CSE: AIAI) (OTCQB: AINMF) (Frankfurt: 8TV), ein führendes Unternehmen auf dem Gebiet der generativen AI -Software für die Analyse klinischer Studien, hat zwei signifikante Studien auf der Konferenz der internationalen Gesellschaft für die klinische Depression (MDD) und dem Nachweis der Aufführung der erweiterten Maschinenstudien zu klinischen Depressionen (MDD) und dem Nachweis der Aufführung der erweiterten Maschinenstudien über klinische Depressionen vorgestellt.
Das mathematisch erweiterte maschinelles Lernen definiert das Wissen aus klinischen MDD -Studien neu
Die erste Präsentation von Netramark, „Der neuartige Ansatz für maschinelles Lernen übertrifft traditionelle Ansätze in klinischen Studien mit schwerer depressiver Störung “(neuer Ansatz zum mechanischen Lernen übersteigt die konventionelle Akzeptanz in klinischen Studien zur Depression), wie das Lernen von Netraai-Unterlagen im Vergleich zu traditionellen Methoden die Strukturierung der Patienten in klinischen Studien zur klinischen Depression verbessert.
Netraai wurde entwickelt, um die Herausforderungen der Modellierung von Daten aus klinischen Studien zu beherrschen, in denen konventionelles maschinelles Lernen (ML), einschließlich Deep Learning, häufig fehlschlägt. Netraai wurde entwickelt, um optimale Patientenkohorten für zukünftige Studien zu identifizieren und etablierte ML -Methoden durch Aufdeckung von Kombinationen von Schlüsselvariablen zu verbessern. In dieser Präsentation wandte sich Netramark Netraai auf die CAN -Studie an, um auf Escitalopram zu reagieren, und zeigte somit die Fähigkeit, ML -Modelle signifikant zu verbessern, wie die Studie zeigte:
- Die Netraai-kontrollierten Analyse der Unterpopulationen des Patienten führte zu einem 28%Zunahme der Modellgenauigkeit Im Vergleich zu herkömmlichen ML -Ansätzen.
- Die Empfindlichkeit verbesserte sich 31 %Während die Spezifität herum 51 % Rose, die die Rate der falsch positiven Ergebnisse reduzierte.
- Netraai hat erfolgreich Schlüsselkombinationen von identifizierten Variablensterben Einschluss-/Ausschlusskriterien Verfeinern Sie ein effizienteres Studiendesign.
- Dies wird durch Netraais Fähigkeit ermöglicht, zu erkennen, welche Patienten erklärt werden können und welche nicht.
Netraai identifiziert und erklärt die wichtigsten Kombinationen von Variablen und bietet somit tiefere Einblicke in die Reaktion auf Medikamente und Placebos. Wenn der Netraai abgeleitete Variablen In herkömmlichen ML -Methoden verbesserte sich die Leistung, wie die folgende Tabelle zeigt, erheblich.
| Traditionelle Methode | Genauigkeit der traditionellen Methode allein (%) | Genauigkeit der traditionellen Methode unter Verwendung der von Netraai abgeleiteten Variablen (%) | Verbesserung (%) |
| Logistische Regression | 54,29 | 77,14 | +22,85 |
| Xgboost | 65,71 | 91,43 | +25,72 |
| Zufallswald | 62,86 | 82,86 | +20,00 |
| SVM | 60,00 | 100,00 | +40,00 |
| Neuronales Netzwerk | 60,00 | 77,14 | +17,14 |
“Dieser Fortschritt bestätigt die Fähigkeit von Netraai, komplexe Patientenpopulationen in klinischen Studien so zu verstehen, dass moderne ML -Methoden dies nicht tun können, und dies kann zu einer signifikanten Verbesserung der Ergebnisse klinischer Studien führen”, sagte Dr. Joseph Geraci, technischer Direktor und wissenschaftlicher Direktor von Netramark.
Steigen klinischer Studien zur Schizophrenie mit AI-basierter Biomarker-Entdeckung
Die zweite Präsentation von Netramark, “Vorhersage Biomarker -Entdeckung bei Schizophrenie unter Verwendung fortschrittlicher maschineller Lernen zur Dekodierung von Heterogenenz” (Entdeckung des prädiktiven Biomarkers in Schizophrenie unter Verwendung erweiterter maschineller Lernen, um Heterogenität zu entschlüsseln), die Fähigkeit von Netraai aus heterogenen Patientenpopulationen in Lernschizopenie -Studien.
- Patienten mit Mittelschwere bis schwere Symptomverschmutzung Und leichte Verhaltensstörungen Sprachen besser auf Olanzapin ein.
- Patienten mit Mittel negative Symptome, leichte bis mittelschwere Halluzinationen und Paranoia zeigte eine verbesserte Reaktion Perphenazin.
- Dieser innovative Lernvereinigung-Ansatz überwindet traditionelle ML -Einschränkungen durch Subpopulationen mit hoher Effektgröße können entdeckt werdenWer repliziert Datensätze über Datensätze und somit besser Studie erhöht Strategien ermöglichen.
„Diese Ergebnisse stellen einen wichtigen Schritt in Richtung Präzisionspsychiatrie dar, da wir zeigen können, dass unsere Technologie robuste Modelle erstellen kann, die repliziert werden. Darüber hinaus verringern diese Modelle die Anzahl der Noten und erhöhen die Wirksamkeit der Behandlung, indem versucht wird, die richtigen Patienten für die richtigen Therapien zu identifizieren “, sagte Dr. Joseph Geraci.
Änderung der Zukunft klinischer ZNS -Studien
Die KI-kontrollierten Methoden von Netramark haben das Potenzial für die Landschaft der Klinische ZNS -Forschung Neugestaltung Verbesserte Patientenstrukturierung Für gezieltere Studien,, Reduzierung der Reaktion auf Placebo und das Versagen von Studien und Beschleunigung der Arzneimittelentwicklung Durch Verbesserung des Vorhersagemodells.
Auf dem Weg zur Präzisionsmedizin bieten die Innovationen von Netramark Pharmaceutical Companies und Forschern effiziente Instrumente, um tiefere Einblicke in psychiatrische Störungen und Behandlungsreaktionen zu gewinnen.
Informationen über Netraai Im Gegensatz zu anderen KI-basierten Methoden ist Netraai einmal so konzipiert, dass es Fokusmechanismen enthält, die kleine Datenaufzeichnungen in erklärbare und unerklärliche Untergruppen unterteilen. Unerklärliche Unterquantitäten sind Sammlungen von Patienten, die aufgrund schlechter Korrelationen mit den beteiligten Variablen zu suboptimalen Überfitmodellen und ungenauen Kenntnissen führen können. Netraai verwendet die erläuternen Sub -Quantitäten, um Wissen und Hypothesen abzuleiten (einschließlich Faktoren, die die Reaktion auf Behandlung und Placebo sowie unerwünschte Ereignisse beeinflussen), die die Erfolgschancen einer klinischen Studie erheblich erhöhen können. Bei anderen KI-Methoden fehlen diese Fokusmechanismen und weisen jeden Patienten in einer Klasse zu, auch wenn dies zu einer “Over-the-Manage” führt, in der wichtige Informationen auf der Verbesserung der Erfolgschancen einer Studie beruhen.
Informationen zu Netramark
Netramark ist ein Unternehmen, das sich auf die Entwicklung führender Lösungen für generative künstliche Intelligenz (Gen AI)/ maschinelles Lernen (ML) für die pharmazeutische Industrie konzentriert. Die Produktpalette des Unternehmens basiert auf einem neuen Algorithmus auf Topologie -Basis, der in der Lage ist, Patientendaten in Sub -Quantitäten von Menschen zu zerlegen, die mit mehreren Variablen stark miteinander verbunden sind. Abhängig von der Art und dem Umfang der Daten kann Netramark eine Vielzahl von ML -Methoden verwenden, um die Daten in leistungsstarke intelligente Daten umzuwandeln, die herkömmliche KI/ML -Methoden aktivieren. Infolgedessen kann Netramark mit viel kleineren Datensätzen arbeiten und Krankheiten in verschiedene Typen unterteilen und Patienten in Bezug auf ihre Empfindlichkeit gegenüber Medikamenten und/oder die Wirksamkeit der Behandlung klassifizieren.
Weitere Informationen über das Unternehmen finden Sie in den öffentlich zugänglichen Dokumenten des Unternehmens, die im System für die elektronische Analyse und Abfrage von Dokumenten (SEDAR) gespeichert sind.
Zukünftige orientierte Aussagen
Diese Pressemitteilung enthält “zukünftige Informationen” im Sinne der anwendbaren kanadischen Wertpapiergesetze, einschließlich Aussagen über die potenziellen Verbesserungen und des Erfolgs von Netraai und deren Fähigkeit, die Ergebnisse für Patienten zu verbessern, die Identifizierung wirksamer Behandlungen, der Betriebsergebnisse und der Planung klinischer Studien zu den aktuellen Erwartungen, Schätzungen, Prognosen und Überzeugen sowie der Ansichten zukünftiger Ereignisse basieren. “Can”, “Würde” oder “werden” oder um Diskussionen über Strategien zu erkennen. Die zukünftigen Informationen umfassen Schätzungen, Pläne, Erwartungen, Meinungen, Prognosen, Projektionen, Ziele, Richtlinien oder andere Aussagen, die keine sachlichen Aussagen sind. Für zukünftige Aussagen sind sie nur Erwartungen, die bekannten und unbekannten Risiken, Unsicherheiten und anderen wichtigen Faktoren unterliegen, die dazu führen könnten, dass sich das Unternehmen oder die Branchenergebnisse erheblich von den zukünftigen Ergebnissen, Dienstleistungen oder Erfolgen unterscheiden. Alle zukünftigen Informationen sind zu diesem Zeitpunkt nur aussagekräftig, und wenn Netramark nicht gesetzlich vorgeschrieben ist, übernimmt sie keine Verpflichtung zur Aktualisierung oder Überarbeitung von zukünftigen Informationen, sei es auf der Grundlage neuer Informationen, zukünftigen Ereignisse oder aus anderen Gründen. Von Zeit zu Zeit treten neue Faktoren auf, und Netramark ist nicht möglich, all diese Faktoren vorherzusagen.
Bei der Betrachtung dieser zukünftigen Aussagen sollten die Leser die Risikofaktoren und andere Warnaussagen berücksichtigen, die in den Dokumenten enthalten sind, die wir in den verantwortlichen kanadischen Sicherheitsaufsichtsbehörden auf SEDAR unter enthalten sind www.sedarplus.ca Senden, einschließlich unserer endgültigen Analyse für das Jahr, das am 30. September 2024 zu Ende gegangen ist. Diese Risikofaktoren und andere Faktoren können zu den tatsächlichen Ereignissen oder Ergebnissen führen, unterscheiden sich erheblich von denen, die in den zukünftigen Informationen beschrieben wurden.
Die CSE übernimmt keine Verantwortung für die Angemessenheit oder Korrektheit dieser Kommunikation.
Originalinhalt anzeigen: https://www.prnewswire.com/de/pressemittes/netramark-prasentier-auf-der-isctm-konferenz-neue-kognitive-Erkenntnisse-Zur-BehandLung-Vonischer-Deprionion———-AB–3099999999.-Deprenie–Abs-Sschizophren-
Drücken Sie den Kontakt:
Swapan Kakumanu – CFO | [email protected] | 403-681-2549
Originalinhalte von: Netramark Holdings Inc., übertragen von Nachrichtenstrom
Source link
