Salud
Modelo de IA 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 conducirá a aplicaciones clínicas. Recientemente, un modelo de aprendizaje automático desarrollado por la Oficina de Análisis de Cartera, o OPA, en 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 traslacional o el uso de los hallazgos de la investigación como un posible tratamiento para la enfermedad.
Como informó AI Trends, los investigadores de la OPA crearon una nueva métrica para que su modelo de aprendizaje automático la utilice, 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 un proyecto basa. 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 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 materializarse patrones predictivos útiles.
“Pienso 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 la gente a lo largo de ese eje —desde científicos fundamentales a menudo en el mismo campo que el trabajo que se publica, hasta personas en la clínica— muestra interés en la forma de citas en esos artículos, entonces la probabilidad de citación eventual por un ensayo clínico o directriz es bastante alta”.
Según Santangelo, las características seleccionadas muestran una promesa genuina para predecir la traducción de un artículo de investigación a 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 citación eventual de un 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 sucede 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 tiene como objetivo 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 compuesta actualmente por más de 420 millones de enlaces de citación y en crecimiento. El algoritmo del equipo de Santangelo presentará los valores APT para estas citaciones 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 paywall y que, ya que su algoritmo está diseñado para permitir que otros vean los valores APT calculados, no sería beneficioso utilizar fuentes de datos de propiedad.
