Modèle d’IA capable de prédire l’application clinique de la recherche médicale

Lorsqu’il s’agit de recherche biomédicale, des centaines de publications de recherche sont publiées chaque jour. Cependant, il peut être difficile de prédire quelles recherches sortiront du cadre de laboratoire et mèneront à des applications cliniques. Récemment, un modèle d’apprentissage automatique développé par le Bureau d’analyse de portefeuille, ou OPA, aux National Institutes of Health (NIH) a pu déterminer la probabilité qu’une étude de recherche biomédicale soit utilisée dans des essais cliniques ou des lignes directrices. Selon l’OPA, la citation d’un article de recherche dans un essai clinique est un indicateur précoce de progrès de la traduction ou de l’utilisation des résultats de la recherche comme traitement potentiel pour une maladie.

Selon AI Trends, les chercheurs de l’OPA ont créé une nouvelle métrique pour leur modèle d’apprentissage automatique, appelée Potentiel approximatif de traduction, ou APT. Selon le directeur de l’OPA, George Santangelo, la traduction bio-médicale peut être prédite en fonction de la réaction de la communauté scientifique aux articles de recherche que présente un projet. Santangelo a déclaré qu’il existe des trajectoires distinctes pour le flux de connaissances qui peuvent prédire le taux de réussite ou d’échec d’un article influençant la recherche clinique.

La création de la métrique APT coïncide avec la sortie de la deuxième version de l’outil iCite de la NIH. iCite est une application basée sur navigateur qui fournit des informations sur les publications de revues en fonction de leur domaine d’analyse spécifique. À l’avenir, l’outil iCite affichera les valeurs APT pour les requêtes.

Le processus d’adaptation de la recherche de laboratoire aux applications cliniques est une tâche complexe qui prend souvent des années. Des tentatives ont été faites pour accélérer ce processus, mais en raison des nombreuses variables impliquées dans la tâche, il peut être difficile d’évaluer le processus de traduction. Comme l’a expliqué Santangelo, les algorithmes d’apprentissage automatique sont un outil puissant qui pourrait

permettre aux cliniciens de mieux comprendre quels articles de recherche sont susceptibles de s’avérer utiles en clinique. Alors que l’équipe de chercheurs expérimentait et affinait leur métrique APT, des modèles prédictifs utiles ont commencé à apparaître.

Santangelo a expliqué:

« Je pense que le plus important que nous nous concentrons est la diversité de l’intérêt à travers l’axe de la recherche fondamentale à la recherche clinique. Lorsque les gens à travers cet axe — des scientifiques fondamentaux souvent dans le même domaine que les travaux publiés, jusqu’aux personnes en clinique — montrent un intérêt sous la forme de citations dans ces articles, alors la probabilité de citation éventuelle par un essai clinique ou une ligne directrice est assez élevée. »

Selon Santangelo, les fonctionnalités sélectionnées montrent de véritables promesses pour prédire la traduction d’un article de recherche à une méthode clinique. Les données sur une publication collectées sur au moins deux ans à partir de la date de publication donnent souvent des prédictions précises sur la citation éventuelle d’un article dans un article clinique.

Santangelo a expliqué que grâce à la nouvelle métrique et aux algorithmes d’apprentissage automatique, les chercheurs peuvent avoir une connaissance plus complète de ce qui se passe dans la littérature et que cela permet une meilleure compréhension des domaines de recherche qui sont plus susceptibles d’intéresser les scientifiques cliniques.

Santangelo a également expliqué que l’intégration de leurs algorithmes dans l’outil iCite est destinée à tirer parti de la nature gratuite et ouverte de la base de données de collection de citations ouvertes de la NIH.

La base de données de collection de citations ouvertes de la NIH est actuellement composée de plus de 420 millions de liens de citation et en constante augmentation. L’algorithme de l’équipe de Santangelo présentera les valeurs APT pour ces citations lorsque iCite 2.0 sera lancé à l’avenir.

De nombreuses bases de données sont restrictives et propriétaires, et selon Santangelo, ces barrières inhibent la recherche collaborative. Santangelo estime qu’il n’y a pas de justification fantastique pour garder les données derrière un paywall et que puisque leur algorithme est censé laisser les autres voir les valeurs APT calculées, il ne serait pas bénéfique d’utiliser des sources de données propriétaires.