Υγεία
Το μοντέλο AI μπορεί να προβλέψει την κλινική εφαρμογή της ιατρικής έρευνας
Όταν πρόκειται για βιοϊατρική έρευνα, υπάρχουν εκατοντάδες ερευνητικές εργασίες που δημοσιεύονται κάθε μέρα. Ωστόσο, μπορεί να είναι δύσκολο να προβλεφθεί ποια έρευνα θα βγει από το εργαστήριο και θα οδηγήσει σε κλινικές εφαρμογές. Πρόσφατα, ένα μοντέλο μηχανικής μάθησης που αναπτύχθηκε από το Γραφείο Ανάλυσης Χαρτοφυλακίου, ή OPA, στο Εθνικό Ίδρυμα Υγείας (NIH) ήταν σε θέση να καθορίσει την πιθανότητα μιας βιοϊατρικής έρευνας να χρησιμοποιηθεί σε κλινικές δοκιμές ή οδηγίες. Σύμφωνα με το OPA, η αναφορά μιας ερευνητικής εργασίας σε μια κλινική δοκιμή είναι ένας πρώιμος δείκτης μεταφραστικής πρόοδου ή της χρήσης των ερευνητικών ευρημάτων ως πιθανής θεραπείας για ασθένειες.
Όπως αναφέρθηκε από το AI Trends, οι ερευνητές στο OPA δημιούργησαν einen νέο δείκτη για το μοντέλο μηχανικής μάθησής τους, ονομάζεται Προσέγγιση του Πιθανότατου Μεταφραστικού, ή APT. Σύμφωνα με τον Διευθυντή του OPA, George Santangelo, η βιοϊατρική μετάφραση μπορεί να προβλεφθεί με βάση την αντίδραση της επιστημονικής κοινότητας στις ερευνητικές εργασίες που是一個 έργο. Ο Santangelo είπε ότι υπάρχουν διακριτές τροχιές για τη ροή της γνώσης που μπορούν να προβλέψουν την επιτυχία ή την αποτυχία ενός εγγράφου που επηρεάζει την κλινική έρευνα.
Η δημιουργία του δείκτη APT συμπίπτει με την κυκλοφορία της δεύτερης έκδοσης του εργαλείου iCite του NIH. Το iCite είναι μια εφαρμογή που βασίζεται στο πρόγραμμα περιήγησης που παρέχει πληροφορίες σχετικά με τις δημοσιεύσεις περιοδικών με βάση το συγκεκριμένο πεδίο ανάλυσης. Εν συνεχεία, το εργαλείο iCite θα επιστρέφει τις τιμές APT για τις ερωτήσεις.
Η διαδικασία προσαρμογής της εργαστηριακής έρευνας σε κλινικές εφαρμογές είναι một σύνθετη εργασία που συχνά διαρκεί χρόνια. Έχουν γίνει προσπάθειες για να επιταχύνουν αυτή τη διαδικασία, αλλά λόγω των πολλών μεταβλητών που εμπλέκονται, μπορεί να είναι δύσκολο να αξιολογηθεί η μεταφραστική διαδικασία. Όπως εξήγησε ο Santangelo, οι αλγόριθμοι μηχανικής μάθησης είναι ένα ισχυρό εργαλείο που θα μπορούσε να
επιτρέψει στους κλινικούς να κατανοήσουν καλύτερα ποια ερευνητικά έγγραφα είναι πιθανό να αποδειχθούν χρήσιμα στη κλινική. Όσο η ομάδα των ερευνητών πειραματιζόταν και βελτίωνε τον δείκτη APT, χρήσιμα προβλεπτικά μοτίβα άρχισαν να υλοποιούνται.
“Νομίζω ότι το πιο σημαντικό που επικεντρωνόμαστε είναι η ποικιλία του ενδιαφέροντος από όλη την αξιολόγηση από το θεμελιώδες στο κλινικό ερευνητικό άξονα. Όταν οι άνθρωποι σε αυτόν τον άξονα — από θεμελιώδεις επιστήμονες συχνά στην ίδια περιοχή με την εργασία που δημοσιεύεται, μέχρι τους ανθρώπους στην κλινική — δείχνουν ενδιαφέρον με τη μορφή αναφορών σε αυτά τα έγγραφα, τότε η πιθανότητα τελικής αναφοράς από μια κλινική δοκιμή ή οδηγία είναι khá υψηλή.”
Σύμφωνα με τον Santangelo, τα επιλεγμένα χαρακτηριστικά δείχνουν αληθινή υπόσχεση στην πρόβλεψη της μετάφρασης από ερευνητική εργασία σε κλινική μέθοδο. Τα δεδομένα μιας δημοσίευσης που συλλέγονται για τουλάχιστον δύο χρόνια από την ημερομηνία δημοσίευσης συχνά δίνουν ακριβείς προβλέψεις σχετικά με την τελική αναφορά του εγγράφου σε μια κλινική εργασία.
Ο Santangelo εξήγησε ότι χάρη στον νέο δείκτη και τους αλγόριθμους μηχανικής μάθησης, οι ερευνητές μπορούν να έχουν μια πιο πλήρη γνώση του τι συμβαίνει στη βιβλιογραφία και ότι αυτό επιτρέπει μια καλύτερη ενημέρωση σχετικά με τις ερευνητικές περιοχές που είναι πιο πιθανό να ενδιαφέρουν τους κλινικούς επιστήμονες.
Ο Santangelo εξήγησε επίσης ότι η ενσωμάτωση των αλγορίθμων τους στο εργαλείο iCite έχει ως στόχο να αξιοποιήσει την ελεύθερη, ανοιχτή φύση της βάσης δεδομένων Open Citation Collection του NIH.
Η βάση δεδομένων Open Citation Collection του NIH αποτελείται目前 από πάνω από 420 εκατομμύρια συνδέσμους αναφοράς και αυξάνεται. Η ομάδα του Santangelo θα παρουσιάσει τις τιμές APT για αυτές τις αναφορές όταν το iCite 2.0 θα κυκλοφορήσει στο μέλλον.
Πολυάριθμες βάσεις δεδομένων είναι περιοριστικές και ιδιοκτησιακές, και σύμφωνα με τον Santangelo, αυτές οι μπάρες εμποδίζουν την συνεργατική έρευνα. Ο Santangelo πιστεύει ότι δεν υπάρχει μια φανταστική δικαιολογία για τη διατήρηση των δεδομένων πίσω από ένα paywall και ότι επειδή ο αλγόριθμος τους προορίζεται να επιτρέψει στους άλλους να δουν τις υπολογισμένες τιμές APT, δεν θα ήταν επωφελές να χρησιμοποιηθούν ιδιοκτησιακές πηγές δεδομένων.
