Tekoälymalli voi ennustaa lääketieteellisen tutkimuksen kliinistä soveltamista

Lääketieteellisessä tutkimuksessa julkaistaan satoja tutkimusartikkeleita joka päivä. On kuitenkin haastavaa ennustaa, mikä tutkimus pääsee laboratoriosta kliinisiin sovelluksiin. Hiljattain National Institutes of Healthin (NIH) Office of Portfolio Analysis (OPA) kehittämä tekoälymalli pystyi määrittämään biolääketieteellisen tutkimuksen todennäköisyyden pääsystä kliinisiin kokeisiin tai ohjeisiin. OPA:n mukaan tutkimusartikkelin viittaus kliiniseen kokeeseen on varhainen indikaattori translaation edistymisestä tai tutkimustuloksien käytöstä mahdollisena hoitokeinona.

Ai Trends -sivuston mukaan OPA:n tutkijat loivat uuden mittarin tekoälymallilleen, jota kutsutaan likimäiseksi translaatiopotentialiksi (APT). OPA:n johtajan, George Santangelon, mukaan biolääketieteellinen translaatio voidaan ennustaa tieteellisen yhteisön reaktion perusteella tutkimusartikkeleihin. Santangelo sanoi, että on olemassa erilaisia tietopohjaisia trajektorioita, jotka voivat ennustaa tutkimuksen onnistumisen tai epäonnistumisen kliinisen tutkimuksen vaikuttavuuden.

APT-mittarin luominen osuu yhteen NIH:n iCite-työkalun toisen version julkaisun kanssa. iCite on verkkosovellus, joka tarjoaa tietoa lehtiartikkeleista niiden analyysin perusteella. Jatkossa iCite-työkalu palauttaa APT-arvot kyselyille.

Laboratoriokokeiden soveltaminen kliinisiin sovelluksiin on monimutkainen tehtävä, joka usein kestää vuosia. On tehty yrityksiä nopeuttaa tätä prosessia, mutta monien muuttujien vuoksi se on haastavaa. Santangelon mukaan tekoälyalgoritmit ovat voimakas työkalu, joka voi mahdollistaa kliinikoille paremman ymmärryksen siitä, mitkä tutkimusartikkelit ovat todennäköisesti hyödyllisiä klinikoissa.

Kun tutkijaryhmä kokeili ja jalosti APT-mittaria, hyödyllisiä ennustemalleja alkoi materialisoitua.

Santangelo selitti:

”Luultavasti tärkein asia, johon keskitymme, on mielenkiinnon monimuotoisuus perustutkimuksesta kliiniseen tutkimukseen. Kun ihmiset ympäri akselia – perustutkijoista usein samassa alalla julkaistujen töiden kanssa, aina kliinikoista – osoittavat mielenkiintoa viittauksina näihin artikkeleihin, niin kliinisen kokeen tai ohjeen viittaus todennäköisyys on hyvin korkea.”

Santangelon mukaan valitut ominaisuudet osoittavat aidosti lupaavaa potentiaalia translaation ennustamisessa tutkimusartikkelista kliiniseksi menetelmäksi. Julkaisun jälkeen vähintään kahden vuoden ajan kerätty tieto usein antaa tarkan ennusteen artikkelin myöhempään viittaukseen kliiniseen artikkeliin.

Santangelo selitti, että uuden mittarin ja tekoälyalgoritmien ansiosta tutkijat voivat saada täydellisemmän ymmärryksen siitä, mitä kirjallisuudessa tapahtuu, ja tämä mahdollistaa paremman näkymän tutkimusalueisiin, jotka ovat todennäköisemmin kiinnostavia kliinikoita.

Santangelo selitti myös, että heidän algoritmien integrointi iCite-työkaluun on tarkoitettu hyödyntämään NIH:n avoimen viittauskokoelman vapaata ja avointa luonnetta.

NIH:n avoin viittauskokoelma koostuu tällä hetkellä yli 420 miljoonasta viittauslinkistä ja kasvaa jatkuvasti. Santangelon tiimin algoritmi esittää APT-arvot näille viittauksille, kun iCite 2.0 julkaistaan tulevaisuudessa.

Monet tietokannat ovat rajoittavia ja omistuksellisia, ja Santangelon mukaan nämä esteet estävät yhteistyön tutkimuksessa. Santangelo katsoo, ettei ole fantastista perustetta pitää tietoja maksamuurin takana, ja koska heidän algoritmiaan on tarkoitettu antamaan muiden nähdä laskettuja APT-arvoja, ei olisi hyödyllistä käyttää omistuksellisia tietolähteitä.