Model AI může předpovídat klinické použití lékařského výzkumu

Při biomedicínském výzkumu je publikováno každý den stovky výzkumných prací. Přesto může být obtížné předpovědět, který výzkum opustí laboratorní prostředí a povede k klinickým aplikacím. Nedávno byl vyvinut model strojového učení týmem z Office of Portfolio Analysis, nebo OPA, na National Institutes of Health (NIH), který dokáže určit pravděpodobnost, že případ biomedicínského výzkumu bude použit v klinických studiích nebo pokynech. Podle OPA je citace výzkumného článku v klinické studii raným ukazatelem translanačního pokroku nebo použití výzkumných zjištění jako potenciální léčby onemocnění.

Podle zprávy AI Trends vytvořili výzkumníci z OPA novou metriku pro svůj model strojového učení, nazvanou Přibližná potenciál k translaci, nebo APT. Podle ředitele OPA, George Santangela, lze bio-medicínskou translaci předpovědět na základě reakce vědecké komunity na výzkumné články, na které se projekt zakládá. Santangelo řekl, že existují rozdílné trajektorie toku znalostí, které mohou předpovědět úspěch nebo selhání článku, který ovlivňuje 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 pole analýzy. Další verze nástroje iCite budou obsahovat 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, které jsou do něj zapojeny, může být obtížné zhodnotit 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 klinické praxi. Když tým výzkumníků experimentoval a zdokonaloval metriku APT, objevily se užitečné prediktivní vzorce.

Santangelo vysvětlil:

„Myslím, že nejdůležitější je rozmanitost zájmu z celé fundamentální až po klinický výzkum. Když lidé z celého tohoto spektra — od fundamentálních vědců, kteří často pracují ve stejném oboru jako publikovaná práce, až po lidi v klinické praxi — projeví zájem v podobě citací v těchto článcích, pak je pravděpodobnost pozdější citace v klinické studii nebo pokynech poměrně vysoká.“

Podle Santangela vybrané funkce ukazují skutečný potenciál pro předpověď translace 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 oblastí výzkumu, které jsou více pravděpodobně zajímavé pro klinické vědce.

Santangelo také vysvětlil, že integrace jejich algoritmů do nástroje iCite je určena k využití volné a otevřené povahy databáze Open Citation Collection od NIH.

Databáze Open Citation Collection od NIH目前 obsahuje více než 420 milionů vazeb a stále roste. Algoritmus týmu Santangela bude poskytovat hodnoty APT pro tyto vazby, když bude spuštěna budoucí verze iCite 2.0.

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.