Modelo de inteligencia artificial puede predecir la aplicación clínica de la investigación médica

Cuando se trata de investigación biomédica, se publican cientos de artículos de investigación todos los días. Sin embargo, puede ser difícil predecir qué investigación saldrá del entorno de laboratorio y llevará a aplicaciones clínicas. Recientemente, un modelo de aprendizaje automático desarrollado por la Oficina de Análisis de Cartera, o OPA, de los Institutos Nacionales de Salud (NIH) pudo determinar la probabilidad de que un caso de investigación biomédica se utilice en ensayos clínicos o directrices. Según la OPA, la cita de un artículo de investigación en un ensayo clínico es un indicador temprano de progreso de la traducción o el uso de los hallazgos de la investigación como un posible tratamiento para la enfermedad.

Según lo informado por AI Trends, los investigadores de la OPA crearon una nueva métrica para su modelo de aprendizaje automático, llamada Potencial Aproximado para Traducir, o APT. Según el director de la OPA, George Santangelo, la traducción bio-médica se puede predecir en función de la reacción de la comunidad científica a los artículos de investigación que se basan en un proyecto. Santangelo dijo que hay trayectorias distintas para el flujo de conocimiento que pueden predecir la tasa de éxito o fracaso de un artículo que influye en la investigación clínica.

La creación de la métrica APT coincide con el lanzamiento de la segunda versión de la herramienta iCite de los NIH. iCite es una aplicación basada en el navegador que proporciona información sobre publicaciones de revistas en función de su campo de análisis específico. En el futuro, la herramienta iCite devolverá los valores APT para las consultas.

El proceso de adaptar la investigación de laboratorio a aplicaciones clínicas es una tarea compleja que a menudo lleva años. Se han realizado intentos para agilizar este proceso, pero debido a las muchas variables involucradas en la tarea, puede ser difícil evaluar el proceso de traducción. Como explicó Santangelo, los algoritmos de aprendizaje automático son una herramienta poderosa que podría

permitir a los clínicos comprender mejor qué artículos de investigación son probablemente útiles en la clínica. A medida que el equipo de investigadores experimentó y perfeccionó su métrica APT, comenzaron a surgir patrones predictivos útiles.

Santangelo explicó:

“Creo que lo más importante en lo que nos enfocamos es la diversidad de interés a lo largo del eje de investigación fundamental a clínica. Cuando las personas a lo largo de ese eje —desde científicos fundamentales a menudo en el mismo campo que el trabajo que se publica, hasta las personas en la clínica— muestran interés en forma de citas en esos artículos, entonces la probabilidad de que eventualmente se cite en un ensayo clínico o directriz es bastante alta”.

Según Santangelo, las características seleccionadas muestran un verdadero potencial para predecir la traducción desde el artículo de investigación hasta un método clínico. Los datos sobre una publicación recopilados durante al menos dos años desde la fecha de publicación a menudo dan predicciones precisas sobre la eventual cita del artículo en un artículo clínico.

Santangelo explicó que gracias a la nueva métrica y los algoritmos de aprendizaje automático, los investigadores pueden tener un conocimiento más completo de lo que está sucediendo en la literatura y que esto permite una mejor comprensión de las áreas de investigación que son más probable que atraigan a los científicos clínicos.

Santangelo también explicó que la integración de sus algoritmos en la herramienta iCite está destinada a aprovechar la naturaleza gratuita y abierta de la base de datos de Colección de Citas Abiertas de los NIH.

La base de datos de Colección de Citas Abiertas de los NIH está actualmente compuesta por más de 420 millones de enlaces de citas y en crecimiento. El algoritmo del equipo de Santangelo presentará los valores APT para estas citas cuando se lance iCite 2.0 en el futuro.

Muchas bases de datos son restrictivas y de propiedad, y según Santangelo, estas barreras inhiben la investigación colaborativa. Santangelo opina que no hay una justificación fantástica para mantener los datos detrás de un muro de pago y que, dado que su algoritmo está diseñado para permitir que otros vean los valores APT calculados, no sería beneficioso utilizar fuentes de datos de propiedad.