Gesundheitswesen
KI-Modell kann klinische Anwendung von medizinischer Forschung vorhersagen
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wenn es um biomedizinische Forschung geht, werden jeden Tag Hunderte von Forschungsarbeiten veröffentlicht. Es kann jedoch schwierig sein, vorherzusagen, welche Forschungsergebnisse aus dem Laborsetting herauskommen und zu klinischen Anwendungen führen werden. Kürzlich wurde ein Machine-Learning-Modell von der Abteilung für Portfolioanalyse, oder OPA, der National Institutes of Health (NIH) entwickelt, um die Wahrscheinlichkeit zu bestimmen, dass eine biomedizinische Forschungsarbeit in klinischen Studien oder Leitlinien verwendet wird. Laut der OPA ist die Zitierung einer Forschungsarbeit in einer klinischen Studie ein früher Indikator für den Übergang von der Forschung zur Anwendung oder die Verwendung von Forschungsergebnissen als potenzielle Behandlung für Krankheiten.
Wie von AI Trends berichtet, haben die Forscher der OPA ein neues Maß für ihr Machine-Learning-Modell entwickelt, genannt Approximate Potential to Translate, oder APT. Laut dem OPA-Direktor, George Santangelo, kann die bio-medizinische Übersetzung auf der Grundlage der Reaktion der wissenschaftlichen Gemeinschaft auf die Forschungsarbeiten vorhergesagt werden, die ein Projekt basiert. Santangelo sagte, dass es unterschiedliche Pfade für den Fluss des Wissens gibt, die den Erfolg oder Misserfolg einer Arbeit bei der Beeinflussung der klinischen Forschung vorhersagen können.
Die Erstellung des APT-Maßes fällt mit der Veröffentlichung der zweiten Version des iCite-Tools der NIH zusammen. iCite ist eine browserbasierte Anwendung, die Informationen über Zeitschriftenveröffentlichungen auf der Grundlage ihres spezifischen Analysebereichs bereitstellt. In Zukunft wird das iCite-Tool die APT-Werte für Abfragen zurückgeben.
Der Prozess der Anpassung von Laborforschung an klinische Anwendungen ist eine komplexe Aufgabe, die oft Jahre dauert. Es wurden Versuche unternommen, um diesen Prozess zu beschleunigen, aber aufgrund der vielen Variablen, die an dieser Aufgabe beteiligt sind, kann es schwierig sein, den Übersetzungsprozess zu bewerten. Wie Santangelo erklärte, sind Machine-Learning-Algorithmen ein mächtiges Werkzeug, das es Klinikern ermöglichen könnte, besser zu verstehen, welche Forschungsarbeiten wahrscheinlich in der Klinik nützlich sein werden.
Als das Team von Forschern mit dem APT-Maß experimentierte und es verfeinerte, begannen nützliche Vorhersagemuster zu materialisieren.
„Ich denke, das Wichtigste, auf das wir uns konzentrieren, ist die Vielfalt der Interessen von der fundamentalen Forschung bis zur klinischen Forschung. Wenn Menschen entlang dieses Spektrums – von fundamentalen Wissenschaftlern, die oft im gleichen Bereich wie die veröffentlichte Arbeit tätig sind, bis hin zu Menschen in der Klinik – Interesse in Form von Zitierungen in diesen Arbeiten zeigen, dann ist die Wahrscheinlichkeit, dass die Arbeit letztendlich in einer klinischen Studie oder Leitlinie zitiert wird, sehr hoch.“
Laut Santangelo zeigen die ausgewählten Merkmale echtes Potenzial bei der Vorhersage der Übersetzung von der Forschungsarbeit zur klinischen Methode. Daten über eine Veröffentlichung, die über mindestens zwei Jahre ab dem Veröffentlichungsdatum gesammelt wurden, liefern oft genaue Vorhersagen über die letztendliche Zitierung der Arbeit in einem klinischen Artikel.
Santangelo erklärte, dass dank des neuen Maßes und der Machine-Learning-Algorithmen die Forscher ein umfassenderes Wissen über das Geschehen in der Literatur haben und dass dies ein besseres Verständnis für die Forschungsbereiche ermöglicht, die klinischen Wissenschaftlern eher gefallen werden.
Santangelo erklärte auch, dass die Integration ihrer Algorithmen in das iCite-Tool darauf abzielt, die kostenlose, offene Natur der NIH-Open-Citation-Collection-Datenbank zu nutzen.
Die NIH-Open-Citation-Collection-Datenbank umfasst derzeit über 420 Millionen Zitationsverknüpfungen und wächst weiter. Das Team von Santangelo wird die APT-Werte für diese Zitierungen bereitstellen, wenn iCite 2.0 in Zukunft veröffentlicht wird.
Viele Datenbanken sind restriktiv und proprietär, und laut Santangelo behindern diese Barrieren die Zusammenarbeit in der Forschung. Santangelo meint, dass es keinen guten Grund gibt, die Daten hinter einer Paywall zu halten, und dass es, da ihr Algorithmus darauf ausgelegt ist, anderen die berechneten APT-Werte zu zeigen, nicht vorteilhaft wäre, proprietäre Datenquellen zu verwenden.
