헬스케어
의료 연구의 임상 적용을 예측하는 AI 모델
Unite.AI를 Google의 선호 소스에 추가
의료 연구 분야에서 매일 수백 개의 연구 논문이 발표되고 있습니다. 그러나 연구가 실험실 환경을 벗어나 임상 적용으로 이어질 것인지 예측하기는 어렵습니다. 최근에 미국 국립 보건 연구소(NIH)의 Office of Portfolio Analysis(OPA)에서 개발한 기계 학습 모델은 생의학 연구 사례가 임상 시험 또는 지침으로 사용될 가능성을 결정할 수 있었습니다. OPA에 따르면, 임상 시험에서 연구 논문의 인용은 초기 번역 진행 또는 질병 치료를 위한 연구 결과의 잠재적 사용을 나타내는 지표입니다.
AI 트렌드에 따르면, OPA의 연구자들은 새로운 지표를 개발하여 기계 학습 모델을 사용했습니다. 이 지표는 Approximate Potential to Translate(APT)로 명명되었습니다. OPA의 George Santangelo 감독은 생의학 번역은 연구 논문에 대한 과학 커뮤니티의 반응에 따라 예측할 수 있다고 말했습니다. Santangelo는 지식의 흐름에 대한 구별된 궤적이 존재하며, 이는 연구 논문의 임상 연구에 미치는 영향의 성공 또는 실패율을 예측할 수 있다고 말했습니다.
APT 지표의 개발은 NIH의 iCite 도구의 두 번째 버전 출시와 함께 이루어졌습니다. iCite는 특정 분야의 분석을 기반으로 저널 출판에 대한 정보를 제공하는 브라우저 기반 응용 프로그램입니다. 앞으로 iCite 도구는 쿼리에 대한 APT 값을 반환할 것입니다.
실험실 연구를 임상 적용으로 전환하는 과정은 복잡하며 종종 수년이 걸립니다. 이 과정을 가속화하기 위한 시도가 이루어졌지만, 이 작업에涉及된 많은 변수로 인해 번역 과정을 평가하기가 어렵습니다. Santangelo는 기계 학습 알고리즘이 임상 연구에 유용한 연구 논문을 더 잘 이해할 수 있는 강력한 도구가 될 수 있다고 설명했습니다.
연구자들이 APT 지표를 실험하고 개선함에 따라, 유용한 예측 패턴이 나타나기 시작했습니다.
“저희가 집중하는 가장 중요한 것은 기본 연구에서 임상 연구까지의 축에 걸쳐 관심의 다양성입니다. 기본 과학자들 및 임상 연구자들이 연구 논문에 대한 관심을 나타내면, 임상 시험 또는 지침에서 연구 논문의 인용 가능성이 매우 높습니다.”
Santangelo에 따르면, 선택된 특징은 연구 논문에서 임상 방법으로의 번역을 예측하는 데真正한 가능성을 보여주었습니다. 출판일로부터 최소 2년 동안 수집된 출판물 데이터는 연구 논문의 임상 논문에서의 인용에 대한 정확한 예측을 제공할 수 있습니다.
Santangelo는 새로운 지표와 기계 학습 알고리즘 덕분에 연구자들이 문헌에 대한 더 완전한 지식을 얻을 수 있으며, 이는 임상 과학자들에게 더 관심을 끌 수 있는 연구 분야에 대한 더 나은 통찰력을 제공할 수 있다고 설명했습니다.
Santangelo는 또한 iCite 도구에 대한 알고리즘 통합은 NIH의 오픈 시테이션 컬렉션 데이터베이스의 무료 및 공개적 특성을 활용하기 위한 것으로 설명했습니다.
NIH 오픈 시테이션 컬렉션 데이터베이스는 현재 4억 2천만 개의 인용 링크로 구성되어 있으며, 계속 증가하고 있습니다. Santangelo 팀의 알고리즘은 iCite 2.0이 출시될 때 이러한 인용에 대한 APT 값을 표시할 것입니다.
많은 데이터베이스는 제한적이고 소유권이 있으며, Santangelo에 따르면, 이러한 장벽은 협력 연구를 억제합니다. Santangelo는 데이터를 유료로 유지하는 데에는 훌륭한 정당성이 없으며, 알고리즘이 다른 사람들에게 계산된 APT 값을 표시하도록 설계되었기 때문에, 사적 데이터 소스를 사용하는 것은 유익하지 않을 것이라고 생각합니다.
