Sveikatos apsauga
AI modelis gali numatyti klinikinį medicininių tyrimų taikymą
Kalbant apie biomedicininius tyrimus, kasdien išleidžiama šimtai mokslinių straipsnių. Tačiau gali būti sunku nuspėti, kokie tyrimai pateks iš laboratorijos ir bus pritaikyti klinikiniams tikslams. Neseniai buvo sukurtas mašininio mokymosi modelis Portfelio analizės biuras, arba OPA, Nacionaliniame sveikatos institute (NIH) sugebėjo nustatyti tikimybę, kad biomedicininių tyrimų atvejis bus naudojamas klinikiniuose tyrimuose ar gairėse. Remiantis OPA, mokslinio straipsnio citavimas klinikinio tyrimo metu yra ankstyvas transliacijos progreso rodiklis arba tyrimo išvadų panaudojimas kaip galimas ligos gydymas.
Kaip pranešė AI Trends, OPA mokslininkai sukūrė naują metriką savo mašininio mokymosi modeliui, pavadintas Apytikslis vertimo potencialas, arba APT. Pasak OPA direktoriaus George'o Santangelo, biomedicinos vertimą galima numatyti remiantis mokslo bendruomenės reakcija į mokslinius darbus, kuriais grindžiamas projektas. Santangelo teigė, kad yra skirtingos žinių srauto trajektorijos, kurios gali numatyti darbo, turinčio įtakos klinikiniams tyrimams, sėkmės ar nesėkmės rodiklį.
APT metrikos sukūrimas sutampa su NIH antrosios iCite įrankio versijos išleidimu. iCite yra naršyklės programa, teikianti informaciją apie žurnalų publikacijas pagal jų specifinę analizės sritį. Toliau iCite įrankis pateiks užklausų APT reikšmes.
Laboratorinių tyrimų pritaikymas klinikinėms reikmėms yra sudėtinga užduotis, kuri dažnai trunka metus. Šį procesą buvo bandoma paspartinti, nes dėl daugybės kintamųjų, susijusių su užduotimi, gali būti sunku įvertinti vertimo procesą. Kaip paaiškino Santangelo, mašininio mokymosi algoritmai yra galingas įrankis
leidžia gydytojams geriau suprasti, kurie moksliniai darbai gali būti naudingi klinikoje. Tyrėjų komandai eksperimentuojant ir patobulinus savo APT metriką, pradėjo realizuotis naudingi nuspėjamieji modeliai.
„Manau, kad svarbiausias dalykas, į kurį mes sutelkiame dėmesį, yra interesų įvairovė nuo pagrindinės iki klinikinių tyrimų krypties. Kai žmonės, esantys toje ašyje – nuo fundamentinių mokslininkų, dažnai dirbančių toje pačioje srityje, kaip ir publikuojamas darbas, iki klinikoje dirbančių žmonių – domisi citatų forma tuose dokumentuose, tada tikimybė, kad galiausiai cituotų klinikinis tyrimas arba gairės yra gana aukšti.
Pasak Santangelo, pasirinktos savybės rodo tikrą pažadą numatant vertimą iš mokslinio darbo į klinikinį metodą. Duomenys apie publikaciją, surinkti per mažiausiai dvejus metus nuo paskelbimo datos, dažnai pateikia tikslias prognozes apie galimą straipsnio citavimą klinikiniame straipsnyje.
Santangelo paaiškino, kad dėl naujų metrinių ir mašininio mokymosi algoritmų mokslininkai gali turėti išsamesnių žinių apie tai, kas vyksta literatūroje, ir kad tai leidžia geriau suprasti tyrimų sritis, kurios labiau patiks klinikiniams mokslininkams.
Santangelo taip pat paaiškino, kad jų algoritmų integravimas į „iCite“ įrankį yra skirtas nemokamą, atvirą NIH „Open Citation Collection“ duomenų bazės pobūdį.
NIH Open Citation Collection duomenų bazę šiuo metu sudaro daugiau nei 420 milijonų citatų nuorodų ir ji auga. Santangelo komandos algoritmas pateiks šių šaltinių APT reikšmes, kai ateityje bus paleista iCite 2.0.
Daugelis duomenų bazių yra ribojančios ir tinkamos, ir, pasak Santangelo, šios kliūtys trukdo bendradarbiauti. Santangelo nuomone, nėra fantastiško pateisinimo laikyti duomenis už mokamos sienos ir kad jų algoritmas turėtų leisti kitiems matyti apskaičiuotas APT reikšmes, todėl nebūtų naudinga naudoti patentuotus duomenų šaltinius.
