AI-model kan forudsige klinisk anvendelse af medicinsk forskning

Når det kommer til biomedicinsk forskning, offentliggøres der hundredvis af forskningsartikler hver dag. Det kan dog være svært at forudsige, hvilken forskning der vil komme ud af laboratorie-miljøet og føre til kliniske anvendelser. For nylig udviklede en maskinlæringsmodel, der er udviklet af Office of Portfolio Analysis, eller OPA, ved National Institutes of Health (NIH), kunne bestemme sandsynligheden for, at en biomedicinsk forskningscase ville blive brugt i kliniske forsøg eller retningslinjer. Ifølge OPA er citeringen af en forskningsartikel i et klinisk forsøg en tidlig indikator for translational fremgang eller brug af forskningsresultater som en potentiel behandling for sygdom.

Som rapporteret af AI Trends, skabte forskerne ved OPA en ny metode til deres maskinlæringsmodel, kaldet Approximate Potential to Translate, eller APT. Ifølge OPA-direktøren, George Santangelo, kan bio-medicinsk translation forudses baseret på den videnskabelige samfunds reaktion på forskningsartiklerne, som et projekt er baseret på. Santangelo sagde, at der er distinkte baner for kunnskabsflow, der kan forudsige succes- eller fejlrate for en artikel, der påvirker klinisk forskning.

Skabelsen af APT-metoden sammenfaldt med udgivelsen af NIH’s anden version af iCite-værktøjet. iCite er en browserbaseret applikation, der giver information om tidsskriftsudgivelser baseret på deres specifikke analysefelt. Fremover vil iCite-værktøjet returnere APT-værdierne for forespørgsler.

Processen med at tilpasse laboratorieforskning til kliniske anvendelser er en kompleks opgave, der ofte tager år. Der er blevet gjort forsøg på at fremskynde denne proces, men på grund af de mange variable, der er involveret i opgaven, kan det være svært at vurdere translationsprocessen. Som Santangelo forklarede, er maskinlæringsalgoritmer et kraftfuldt værktøj, der kunne

gøre det muligt for kliniske forskere bedre at forstå, hvilke forskningsartikler, der sandsynligvis vil være nyttige i klinisk praksis. Da forskerholdet eksperimenterede med og forbedrede deres APT-metode, begyndte nyttige forudsigelsesmønstre at materialisere.

Santangelo forklarede:

“Jeg tror, det vigtigste, vi fokuserer på, er mangfoldigheden af interesse fra grundlæggende til klinisk forskningsakse. Når mennesker på tværs af denne akse — fra grundlæggende videnskabsmænd ofte inden for samme felt som det, der offentliggøres, hele vejen til mennesker i klinisk praksis — viser interesse i form af citeringer i disse artikler, så er sandsynligheden for, at det endelige citering af en klinisk prøve eller retningslinje er ret høj.”

Ifølge Santangelo viser de valgte funktioner ægte løfte i forudsigelse af translation fra forskningsartikel til klinisk metode. Data om en udgivelse, der er indsamlet over mindst to år fra udgivelsesdatoen, giver ofte nøjagtige forudsigelser om artiklens endelige citering i en klinisk artikel.

Santangelo forklarede, at takket være den nye metode og maskinlæringsalgoritmerne kan forskerne have en mere komplet viden om, hvad der sker i litteraturen, og at dette giver bedre indsigt i de forskningsområder, der er mere sandsynlige at appellere til kliniske forskere.

Santangelo forklarede også, at deres algoritmers integration i iCite-værktøjet er tænkt til at udnytte den frie, åbne natur af NIH’s Open Citation Collection-database.

NIH’s Open Citation Collection-database består i øjeblikket af over 420 millioner citeringslinks og vokser. Santangelos teams algoritme vil præsentere APT-værdierne for disse citeringer, når iCite 2.0 bliver lanceret i fremtiden.

Mange databaser er restriktive og proprietære, og ifølge Santangelo forhinder disse barrierer samarbejdende forskning. Santangelo mener, at der ikke er en fantastisk begrundelse for at holde data bag en betalingsmur, og at fordi deres algoritme er tænkt til at lade andre se de beregnede APT-værdier, ville det ikke være nyttigt at bruge proprietære datakilder.