Sanità
Il modello AI può prevedere l’applicazione clinica della ricerca medica
Quando si tratta di ricerca biomedica, vengono pubblicati centinaia di articoli di ricerca ogni giorno. Tuttavia, può essere difficile prevedere quale ricerca uscirà dal setting di laboratorio e porterà a applicazioni cliniche. Recentemente, un modello di apprendimento automatico sviluppato dall’Office of Portfolio Analysis, o OPA, presso i National Institutes of Health (NIH) è stato in grado di determinare la probabilità che un caso di ricerca biomedica venga utilizzato in trial clinici o linee guida. Secondo l’OPA, la citazione di un articolo di ricerca in un trial clinico è un indicatore precoce di progressi traslazionali o dell’utilizzo dei risultati della ricerca come potenziale trattamento per la malattia.
Come riportato da AI Trends, i ricercatori dell’OPA hanno creato una nuova metrica per il loro modello di apprendimento automatico, chiamata Approximate Potential to Translate, o APT. Secondo il direttore dell’OPA, George Santangelo, la traduzione bio-medicinale può essere prevista in base alla reazione della comunità scientifica agli articoli di ricerca che un progetto si basa. Santangelo ha detto che ci sono traiettorie distinte per il flusso di conoscenza che possono prevedere il tasso di successo o di insuccesso di un articolo che influenza la ricerca clinica.
La creazione della metrica APT coincide con il rilascio della seconda versione dello strumento iCite dell’NIH. iCite è un’applicazione basata su browser che fornisce informazioni sulle pubblicazioni di riviste in base al loro campo di analisi specifico. In futuro, lo strumento iCite restituirà i valori APT per le query.
Il processo di adattamento della ricerca di laboratorio alle applicazioni cliniche è un compito complesso che spesso richiede anni. Sono stati fatti tentativi per accelerare questo processo, ma a causa delle molte variabili coinvolte nel compito, può essere difficile valutare il processo di traduzione. Come spiegato da Santangelo, gli algoritmi di apprendimento automatico sono uno strumento potente che potrebbe consentire ai clinici di capire meglio quali articoli di ricerca sono probabilmente utili nella clinica. Mentre il team di ricercatori sperimentava e raffinava la loro metrica APT, sono emersi modelli predittivi utili.
“Credo che il più importante su cui ci concentriamo sia la diversità di interesse da parte di tutta l’asse della ricerca fondamentale alla ricerca clinica. Quando le persone in tutta l’asse – dai ricercatori fondamentali spesso nello stesso campo del lavoro pubblicato, fino alle persone nella clinica – mostrano interesse in forma di citazioni in quegli articoli, allora la probabilità di citazione eventuale da parte di un trial clinico o di una linea guida è piuttosto alta.”
Secondo Santangelo, le caratteristiche selezionate mostrano una promessa genuina nella previsione della traduzione da articolo di ricerca a metodo clinico. I dati su una pubblicazione raccolti nel corso di almeno due anni dalla data di pubblicazione spesso forniscono previsioni accurate sulla citazione eventuale di un articolo in un articolo clinico.
Santangelo ha spiegato che grazie alla nuova metrica e agli algoritmi di apprendimento automatico, i ricercatori possono avere una conoscenza più completa di ciò che sta accadendo nella letteratura e che ciò consente una migliore comprensione delle aree di ricerca che sono più probabili di attrarre gli scienziati clinici.
Santangelo ha anche spiegato che l’integrazione dei loro algoritmi nello strumento iCite è destinata a sfruttare la natura gratuita e aperta del database Open Citation Collection dell’NIH.
Il database Open Citation Collection dell’NIH è attualmente composto da oltre 420 milioni di collegamenti di citazione e in crescita. L’algoritmo del team di Santangelo presenterà i valori APT per queste citazioni quando iCite 2.0 verrà lanciato in futuro.
Molti database sono restrittivi e di proprietà, e secondo Santangelo, queste barriere inibiscono la ricerca collaborativa. Santangelo ritiene che non ci sia una giustificazione fantastica per tenere i dati dietro un paywall e che poiché il loro algoritmo è destinato a consentire agli altri di vedere i valori APT calcolati, non sarebbe benefico utilizzare fonti di dati proprietarie.
