Zdravotnictví
Model AI může předpovídat klinické použití lékařského výzkumu
Když se jedná o biomedicínský výzkum, jsou publikovány stovky výzkumných prací každý den. Přesto může být obtížné předpovědět, který výzkum opustí laboratorní prostředí a povede k klinickým aplikacím. Nedávno byl model strojového učení vyvinutý Office of Portfolio Analysis, nebo OPA, na National Institutes of Health (NIH) schopen určit pravděpodobnost, že biomedicínský výzkum bude použit v klinických studiích nebo směrnicích. Podle OPA je citace výzkumného článku v klinické studii raným ukazatelem translanačního pokroku nebo použití výzkumných zjištění jako potenciální léčby onemocnění.
Jak uvádí AI Trends, výzkumníci z OPA vytvořili novou metriku pro svůj model strojového učení, nazvanou Approximate Potential to Translate, nebo APT. Podle ředitele OPA, George Santangela, lze bio-medicínský překlad předpovědět na základě reakce vědecké komunity na výzkumné články, na kterých je projekt založen. Santangelo řekl, že existují rozdílné trajektorie toku znalostí, které mohou předpovědět úspěch nebo neúspěch článku ovlivňujícího klinický výzkum.
Vytvoření metriky APT se shoduje s vydáním druhé verze nástroje iCite od NIH. iCite je webová aplikace, která poskytuje informace o publikacích v časopisech na základě jejich konkrétního analytického oboru. Další verze nástroje iCite bude vrátit hodnoty APT pro dotazy.
Proces adaptace laboratorního výzkumu na klinické aplikace je složitý úkol, který často trvá roky. Byly učiněny pokusy urychlit tento proces, ale kvůli mnoha proměnným zapojeným do úkolu může být obtížné posoudit translanační proces. Jak vysvětlil Santangelo, algoritmy strojového učení jsou mocným nástrojem, který by mohl umožnit klinickým pracovníkům lépe porozumět, které výzkumné články jsou pravděpodobně užitečné v klinice. Když tým výzkumníků experimentoval s metrikou APT a rafinoval ji, objevily se užitečné předpovědní vzorce.
“Dumám, že nejdůležitější, na které se zaměřujeme, je rozmanitost zájmu z celé fundamentální až klinické výzkumné osy. Když lidé napříč touto osou — od fundamentálních vědců často ve stejné oblasti jako práce, která je publikována, až po lidi v klinice — projeví zájem v podobě citací v těchto článcích, pak je pravděpodobnost pozdější citace klinickou studií nebo směrnic quite vysoká.”
Podle Santangela ukazují vybrané funkce skutečný slib v předpovídání překladu z výzkumného článku na klinickou metodu. Data o publikaci shromážděná po dobu nejméně dvou let od data publikace často poskytují přesné předpovědi o pozdější citaci článku v klinickém článku.
Santangelo vysvětlil, že díky nové metrice a algoritmům strojového učení mohou výzkumníci mít úplnější znalosti o tom, co se děje v literatuře, a že to umožňuje lepší vhled do výzkumných oblastí, které jsou více pravděpodobně atraktivní pro klinické vědce.
Santangelo také vysvětlil, že integrace jejich algoritmů do nástroje iCite je určena k využití volné, otevřené povahy databáze Open Citation Collection od NIH.
Databáze Open Citation Collection od NIH se目前 skládá z více než 420 milionů citačních odkazů a stále roste. Algoritmus týmu Santangela bude prezentovat hodnoty APT pro tyto citace, když se spustí iCite 2.0 v budoucnu.
Mnohé databáze jsou restriktivní a proprietární, a podle Santangela tyto bariéry brání spolupráci ve výzkumu. Santangelo míní, že není fantastické zdůvodnění pro udržení dat za paywallem a že protože jejich algoritmus má umožnit ostatním vidět vypočtené hodnoty APT, nebylo by výhodné používat proprietární zdroje dat.
