Model AI Dapat Memprediksi Aplikasi Klinis Penelitian Medis

Ketika berbicara tentang penelitian biomedis, ratusan makalah penelitian dipublikasikan setiap hari. Namun, dapat sulit untuk memprediksi penelitian mana yang akan keluar dari pengaturan laboratorium dan mengarah ke aplikasi klinis. Baru-baru ini, model pembelajaran mesin yang dikembangkan oleh Kantor Analisis Portofolio, 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, disebut Approximate Potential to Translate, atau APT. Menurut Direktur OPA, George Santangelo, terjemahan bio-medis dapat diprediksi berdasarkan reaksi komunitas ilmiah terhadap makalah penelitian yang berdasarkan 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 dari NIH. iCite adalah aplikasi berbasis browser yang menyediakan informasi tentang publikasi jurnal berdasarkan bidang analisisnya. Maju ke depan, alat iCite akan mengembalikan nilai APT untuk kueri.

Proses mengadaptasi penelitian laboratorium ke aplikasi klinis adalah tugas yang kompleks yang sering memakan 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 berguna di klinik. Ketika tim peneliti bereksperimen dengan dan memperhalus metrik APT mereka, pola prediktif yang berguna mulai muncul.

Santangelo menjelaskan:

“Saya pikir yang paling penting adalah keragaman minat dari sumbu penelitian dasar hingga klinis. Ketika orang-orang di sepanjang sumbu — dari ilmuwan dasar sering di bidang yang sama dengan pekerjaan yang dipublikasikan, 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 bidang penelitian yang lebih mungkin menarik perhatian ilmuwan klinis.

Santangelo juga menjelaskan bahwa integrasi algoritma mereka ke dalam alat iCite dimaksudkan untuk memanfaatkan sifat terbuka dan gratis dari basis data Koleksi Kutipan Terbuka NIH.

Basis data 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-kutipan ini ketika iCite 2.0 diluncurkan di masa depan.

Banyak basis data 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 pembayaran dan bahwa karena algoritma mereka seharusnya memungkinkan orang lain untuk melihat nilai APT yang dihitung, tidak akan menguntungkan untuk menggunakan sumber data milik.