نموذج الذكاء الاصطناعي يمكن أن يتنبأ بالتطبيق السريري للبحث الطبي

عندما يتعلق الأمر بالبحث البيولوجي، يتم نشر مئات من أوراق البحث كل يوم. ومع ذلك، يمكن أن يكون من الصعب التنبؤ بما سيكون له تطبيقات سريرية. مؤخرًا، تم تطوير نموذج تعلم آلي بواسطة مكتب تحليل المحفظة في المعهد الوطني للصحة، أو NIH، وتمكنت من تحديد احتمالية استخدام حالة بحث بيولوجي في التجارب السريرية أو الإرشادات. وفقًا لمكتب تحليل المحفظة، فإن الاستشهاد ببحث في تجربة سريرية هو مؤشر مبكر على التقدم الترجمي أو استخدام نتائج البحث كعلاج محتمل للمرض.

كما ذكر موقع AI Trends، قام الباحثون في مكتب تحليل المحفظة بإنشاء مقياس جديد لنموذج التعلم الآلي، أطلق عليه اسم القدرة التقريبية على الترجمة، أو APT. وفقًا لمدير مكتب تحليل المحفظة، جورج سانتانجلو، يمكن التنبؤ بالترجمة البيولوجية الطبية بناءً على رد فعل المجتمع العلمي على أوراق البحث التي تعتمد عليها المشروع. قال سانتانجلو إن هناك مسارات محددة لتدفق المعرفة التي يمكن أن تتنبأ بنجاح أو فشل ورقة في التأثير على البحث السريري.

يتزامن إنشاء مقياس APT مع إصدار المعهد الوطني للصحة للنسخة الثانية من أداة iCite. أداة iCite هي تطبيق مستند إلى المتصفح يوفر معلومات حول المنشورات المجلة بناءً على مجال التحليل الخاص بها. في المستقبل، سترجع أداة iCite قيم APT للاستفسارات.

عملية تحويل البحث المختبري إلى تطبيقات سريرية هي مهمة معقدة غالبًا ما تستغرق سنوات. تم اتخاذ محاولات لتسريع هذه العملية، بسبب المتغيرات العديدة المشاركة في المهمة، يمكن أن يكون من الصعب تقييم عملية الترجمة. كما giải释 سانتانجلو، خوارزميات التعلم الآلي هي أداة قوية يمكن أن

تمكّن الأطباء من فهم أفضل لأي أوراق بحثية من المرجح أن تثبت نفعها في العيادة. مع تجربة فريق الباحثين وتنقيحهم لمقياس APT، بدأت أنماط تنبؤية مفيدة في الظهور.

أوضح سانتانجلو:

“أعتقد أن الأهم هو التنوع في الاهتمام عبر محور البحث الأساسي إلى السريري. عندما يُظهر الأشخاص عبر هذا المحور — من العلماء الأساسيين في نفس المجال مثل البحث المنشور، وحتى الأشخاص في العيادة — اهتمامًا بهذه الأوراق، فإن احتمالية الاستشهاد النهائي بتجربة سريرية أو إرشادات عالية جدًا”.

وفقًا لسانتانجلو، تظهر الميزات المحددة وعداً حقيقيًا في التنبؤ بالترجمة من ورقة بحث إلى طريقة سريرية. البيانات التي تم جمعها على منشور خلال عامين على الأقل من تاريخ النشر غالبًا ما تمنح تنبؤات دقيقة حول الاستشهاد النهائي للورقة في مقال سريري.

أوضح سانتانجلو أن بفضل المقياس الجديد وخوارزميات التعلم الآلي، يمكن للباحثين الحصول على معرفة أكثر اكتمالاً عما يحدث في الأدبيات، مما يسمح برؤية أفضل للمناطق البحثية التي من المرجح أن تجذب علماء السريرية.

كما أوضح سانتانجلو أن دمج خوارزمياتهم في أداة iCite يهدف إلى الاستفادة من الطبيعة المفتوحة والحرة لقاعدة بيانات NIH للاستشهادات المفتوحة.

تتكون قاعدة بيانات NIH للاستشهادات المفتوحة حاليًا من أكثر من 420 مليون وصلة استشهاد، وتزداد. سترجع خوارزمية فريق سانتانجلو قيم APT لهذه الاستشهادات عند إطلاق iCite 2.0 في المستقبل.

قواعد البيانات الكثيرة هي قواعد مقيدة وملكية، ووفقًا لسانتانجلو، تمنع هذه العوائق البحث التعاوني. يعتقد سانتانجلو أن هناك مبررًا رائعًا للاحتفاظ بالبيانات خلف جدار دفع، و由于 خوارزميته旨 في السماح للآخرين بمشاهدة قيم APT المحسوبة، لن يكون من المفيد استخدام مصادر بيانات ملكية.