Terveydenhuolto
AI-malli voi ennustaa lääketieteellisen tutkimuksen kliinistä soveltamista
Kun on kyse biolääketieteellisestä tutkimuksesta, julkaisee satoja tutkimusartikkeleita joka päivä. On kuitenkin vaikea ennustaa, mikä tutkimus pääsee laboratoriosta ja johtaa kliinisiin sovelluksiin. Hiljattain Office of Portfolio Analysis:n, eli OPA:n, kehittämä koneoppimismalli Yhdysvaltain terveydenhuollon tutkimuslaitoksessa (NIH) pystyi määrittämään biolääketieteellisen tutkimuksen todennäköisyyden pääsystä kliinisiin kokeisiin tai ohjeisiin. OPA:n mukaan tutkimusartikkelin maininta kliinisessä kokeessa on varhainen indikaattori translaatioprosessin edetessä tai tutkimustuloksien käytöstä mahdollisena hoitona sairauksille.
Kuten AI Trends raportoi, OPA:n tutkijat loivat uuden mittarin koneoppimismallilleen, jota kutsutaan Approximate Potential to Translate:ksi eli APT:ksi. OPA:n johtajan George Santangelon mukaan bio-lääketieteellinen translaatio voidaan ennustaa tutkimuspaperiin reagoivan tieteellisen yhteisön perusteella. Santangelo sanoi, että on olemassa erityisiä polkuja tietojen virtaukselle, jotka voivat ennustaa tutkimuksen onnistumisen tai epäonnistumisen vaikuttamisessa kliiniseen tutkimukseen.
APT-mittarin luominen osuu yhteen NIH:n iCite-työkalun toisen version julkaisun kanssa. iCite on verkkoselaimen perustuva sovellus, joka tarjoaa tietoa aikakauslehtijulkaisuista niiden analyysin perusteella. Jatkossa iCite-työkalu palauttaa APT-arvot kyselyille.
Laboratoriotutkimuksen sovittaminen kliinisiin sovelluksiin on monimutkainen tehtävä, joka usein kestää vuosia. On tehty yrityksiä nopeuttaa tätä prosessia, mutta monien muuttujien vuoksi tehtävässä on vaikea arvioida translaatioprosessia. Kuten Santangelo selitti, koneoppimisalgoritmit ovat voimakas työkalu, joka voi mahdollistaa kliinikoille paremman ymmärryksen siitä, mitkä tutkimuspaperit ovat todennäköisesti hyödyllisiä klinikoissa. Kun tutkijaryhmä kokeili ja jalosti APT-mittaria, hyödyllisiä ennustemalleja alkoi materialisoitua.
”Luulen, että tärkein asia, johon keskitymme, on mielenkiinnon monimuotoisuus perustutkimuksesta kliiniseen tutkimukseen. Kun ihmiset ympäri akselia — perustutkijoista usein samassa alalla kuin julkaistu työ, aina kliinisiin tutkijoihin — osoittavat mielenkiintoa muodossa, jossa he siteeraavat näitä papereita, niin todennäköisyys lopullisesta siteerauksesta kliinisessä kokeessa tai ohjeessa on hyvin korkea.”
Santangelon mukaan valitut ominaisuudet osoittavat aitoa lupausta translaation ennustamisessa tutkimuspaperista kliiniseksi menetelmäksi. Julkaisun keräämät tiedot vähintään kahden vuoden ajalta julkaisupäivämäärästä antavat usein tarkan ennusteen siitä, miten paperi lopulta siteerataan kliinisessä artikkelissa.
Santangelo selitti, että kiitos uuden mittarin ja koneoppimisalgoritmien ansiosta tutkijat voivat saada täydellisemmän ymmärryksen siitä, mitä kirjallisuudessa tapahtuu, ja tämä antaa paremman näkyvyyden tutkimusalueisiin, jotka ovat todennäköisemmin kiinnostavia kliinikoille.
Santangelo selitti myös, että heidän algoritmien integrointi iCite-työkaluun on tarkoitettu hyödyntämään NIH:n Open Citation Collection -tietokannan vapaata ja avointa luonnetta.
NIH Open Citation Collection -tietokanta koostuu tällä hetkellä yli 420 miljoonasta siteerauslinkistä ja kasvaa edelleen. Santangelon tiimin algoritmi esittää näiden siteerausten APT-arvoja, kun iCite 2.0 julkaistaan tulevaisuudessa.
Monet tietokannat ovat rajoittavia ja omisteisia, ja Santangelon mukaan nämä esteet estävät yhteistyötä tutkimuksessa. Santangelo katsoo, ettei ole fantastista perustetta pitää tietoja maksullisena esteenä, ja koska heidän algoritminsa on tarkoitettu antamaan muiden nähdä laskettuja APT-arvoja, ei olisi hyödyllistä käyttää omisteisia tietolähteitä.
