Kesehatan
Model AI Dapat Memprediksi Aplikasi Klinis Penelitian Medis
Ketika berbicara tentang penelitian biomedis, ada ratusan makalah penelitian yang diterbitkan setiap hari. Namun, dapat sulit untuk memprediksi penelitian mana yang akan keluar dari pengaturan laboratorium dan mengarah pada aplikasi klinis. Baru-baru ini, model pembelajaran mesin yang dikembangkan oleh Office of Portfolio Analysis, atau OPA, di National Institutes of Health (NIH) dapat menentukan kemungkinan kasus penelitian biomedis digunakan dalam uji klinis atau pedoman. Menurut OPA, kutipan dari artikel penelitian dalam uji klinis adalah indikator awal kemajuan translasional atau penggunaan temuan penelitian sebagai potensi pengobatan penyakit.
Seperti dilaporkan oleh AI Trends, peneliti di OPA menciptakan metrik baru untuk model pembelajaran mesin mereka, diberi nama Approximate Potential to Translate, atau APT. Menurut Direktur OPA, George Santangelo, terjemahan bio-medis dapat diprediksi berdasarkan reaksi komunitas ilmiah terhadap makalah penelitian yang menjadi dasar proyek. Santangelo mengatakan bahwa ada trajektori yang berbeda untuk aliran pengetahuan yang dapat memprediksi tingkat keberhasilan atau kegagalan makalah yang mempengaruhi penelitian klinis.
Penciptaan metrik APT bertepatan dengan rilis versi kedua alat iCite oleh NIH. iCite adalah aplikasi berbasis browser yang menyediakan informasi tentang publikasi jurnal berdasarkan bidang analisis tertentu. Maju ke depan, alat iCite akan mengembalikan nilai APT untuk kueri.
Proses mengadaptasi penelitian laboratorium menjadi aplikasi klinis adalah tugas yang kompleks yang sering membutuhkan waktu bertahun-tahun. Upaya telah dilakukan untuk mempercepat proses ini, karena banyak variabel yang terlibat dalam tugas, dapat sulit untuk menilai proses translasional. Seperti yang dijelaskan oleh Santangelo, algoritma pembelajaran mesin adalah alat yang kuat yang dapat memungkinkan klinisi untuk lebih baik memahami makalah penelitian mana yang kemungkinan akan membuktikan berguna di klinik. Ketika tim peneliti bereksperimen dengan dan memperhalus metrik APT mereka, pola prediktif yang berguna mulai muncul.
“Saya pikir yang paling penting yang kami fokuskan adalah keragaman minat dari seluruh sumbu penelitian dasar hingga klinis. Ketika orang-orang di sepanjang sumbu — dari ilmuwan dasar yang sering dalam bidang yang sama dengan pekerjaan yang diterbitkan, hingga orang-orang di klinik — menunjukkan minat dalam bentuk kutipan dalam makalah tersebut, maka kemungkinan kutipan akhir oleh uji klinis atau pedoman sangat tinggi.”
Menurut Santangelo, fitur yang dipilih menunjukkan janji yang sebenarnya dalam memprediksi terjemahan dari makalah penelitian ke metode klinis. Data pada publikasi yang dikumpulkan selama setidaknya dua tahun dari tanggal publikasi sering memberikan prediksi yang akurat tentang kutipan akhir makalah dalam artikel klinis.
Santangelo menjelaskan bahwa berkat metrik baru dan algoritma pembelajaran mesin, peneliti dapat memiliki pengetahuan yang lebih lengkap tentang apa yang terjadi dalam literatur dan bahwa ini memungkinkan wawasan yang lebih baik ke dalam area penelitian yang lebih mungkin menarik bagi ilmuwan klinis.
Santangelo juga menjelaskan bahwa integrasi algoritma mereka ke dalam alat iCite dimaksudkan untuk memanfaatkan sifat gratis dan terbuka dari database Koleksi Kutipan Terbuka NIH.
Database Koleksi Kutipan Terbuka NIH saat ini terdiri dari lebih dari 420 juta tautan kutipan dan terus berkembang. Algoritma tim Santangelo akan menampilkan nilai APT untuk kutipan ini ketika iCite 2.0 diluncurkan di masa depan.
Banyak database yang restriktif dan milik, dan menurut Santangelo, hambatan ini menghambat penelitian kolaboratif. Santangelo berpendapat bahwa tidak ada justifikasi yang fantastis untuk menyimpan data di balik paywall dan bahwa karena algoritma mereka dimaksudkan untuk memungkinkan orang lain melihat nilai APT yang dihitung, tidak akan bermanfaat untuk menggunakan sumber data yang milik.
