Το Μοντέλο AI Μπορεί Να Προβλέψει Κλινική Εφαρμογή 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 Πορτοφολίου, 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 αποτελεσμάτων ως πιθανής θεραπείας για ασθένειες.

Όπως αναφέρθηκε από το AI Trends, οι ερευνητές στο OPA δημιούργησαν einen νέο δείκτη για το μοντέλο μηχανικής μάθησης, ονομάζεται Προσεγγιστική Πιθανότητα Μετάφρασης, 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 μια εργασία βασίζεται. Ο Santangelo ανέφερε ότι υπάρχουν διακριτές τροχιές για τη ροή της γνώσης που μπορούν να προβλέψουν την επιτυχία ή την αποτυχία μιας εργασίας που επηρεάζει την κλινική έρευνα.

Η δημιουργία του δείκτη APT συνδυάζεται 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. Στο μέλλον, το εργαλείο iCite θα επιστρέψει τις τιμές APT για τις ερωτήσεις.

Η διαδικασία προσαρμογής εργαστηριακής έρευνας σε κλινικές εφαρμογές είναι một σύνθετη εργασία που συχνά διαρκεί χρόνια. Έχουν γίνει προσπάθειες để επιταχύνει αυτή τη διαδικασία, αλλά λόγω των πολλών μεταβλητών που εμπλέκονται, μπορεί να είναι δύσκολο να αξιολογηθεί η μεταφραστική διαδικασία. Όπως εξήγησε ο Santangelo, τα αλγόριθμοι μηχανικής μάθησης είναι ένα ισχυρό εργαλείο που θα μπορούσε

να επιτρέψει στους κλινικούς να κατανοήσουν ποια ερευνητικές εργασίες είναι πιθανό να αποδειχθούν χρήσιμες στην κλινική. Όταν η ομάδα των ερευνητών πειραματίζεται και βελτιώνει τον δείκτη APT, χρήσιμα προβλεπτικά μοτίβα άρχισαν να εμφανίζονται.

Ο Santangelo εξήγησε:

«Πιστεύω ότι το πιο σημαντικό που επικεντρωνόμαστε είναι η ποικιλία του ενδιαφέροντος από το άξονα της θεμελιώδους έρευνας έως την κλινική έρευνα. Όταν οι άνθρωποι σε αυτόν τον άξονα — από τους θεμελιώδεις επιστήμονες συχνά στο ίδιο πεδίο 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 πολύ υψηλή.»

Σύμφωνα με τον Santangelo, τα επιλεγμένα χαρακτηριστικά δείχνουν γνήσιο υπόσχημα στην πρόβλεψη της μετάφρασης από ερευνητική εργασία σε κλινική μέθοδο. Δεδομένα για μια δημοσίευση που συλλέγονται για τουλάχιστον δύο χρόνια από την ημερομηνία δημοσίευσης συχνά δίνουν ακριβείς προβλέψεις σχετικά με την τελική αναφορά της εργασίας σε μια κλινική статья.

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 είσοδο στις 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 εκμεταλλευτεί 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. Ο αλγόριθμος της ομάδας του Santangelo θα παρουσιάζει τις τιμές APT για αυτές τις αναφορές όταν το iCite 2.0 κυκλοφορήσει στο μέλλον.

Πολυάριθμες βάσεις δεδομένων είναι περιοριστικές και ιδιοκτησιακές, και σύμφωνα με τον Santangelo, αυτά τα εμπόδια εμποδίζουν την συνεργατική έρευνα. Ο Santangelo πιστεύει ότι δεν υπάρχει φανταστική αιτιολόγηση για τη διατήρηση των δεδομένων πίσω από ένα τείχος πληρωμής 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.