AI-model kan klinische toepassing van medisch onderzoek voorspellen

Wanneer het gaat om biomedisch onderzoek, worden er elke dag honderden onderzoeksartikelen gepubliceerd. Het kan echter moeilijk zijn om te voorspellen welk onderzoek uit het lab-setting zal komen en tot klinische toepassingen zal leiden. Onlangs ontwikkelden onderzoekers van de Office of Portfolio Analysis, of OPA, bij de National Institutes of Health (NIH) een machine learning-model dat de waarschijnlijkheid kan bepalen dat een biomedisch onderzoeksgeval wordt gebruikt in klinische trials of richtlijnen. Volgens de OPA is de citatie van een onderzoeksartikel in een klinische trial een vroege indicator van translationele vooruitgang of het gebruik van onderzoeksbevindingen als een potentieel behandeling voor ziekten.

Volgens AI Trends creëerden de onderzoekers van de OPA een nieuwe metric voor hun machine learning-model, genaamd Approximate Potential to Translate, of APT. Volgens de OPA-directeur, George Santangelo, kan bio-medicinale vertaling worden voorspeld op basis van de reactie van de wetenschappelijke gemeenschap op de onderzoeksartikelen van een project. Santangelo zei dat er distincte trajecten zijn voor de stroom van kennis die de succes- of faalfactor van een artikel kunnen voorspellen dat invloed heeft op klinisch onderzoek.

De creatie van de APT-metric komt overeen met de release van de tweede versie van de iCite-tool van de NIH. iCite is een browser-gebaseerde applicatie die informatie biedt over tijdschriftpublicaties op basis van hun specifieke veld van analyse. Vanaf nu zal de iCite-tool de APT-waarden retourneren voor queries.

Het proces van het aanpassen van laboratoriumonderzoek aan klinische toepassingen is een complexe taak die vaak jaren duurt. Er zijn pogingen gedaan om dit proces te versnellen, maar vanwege de vele variabelen die bij deze taak zijn betrokken, kan het moeilijk zijn om het translationele proces te beoordelen. Zoals Santangelo uitlegde, zijn machine learning-algoritmen een krachtig instrument dat clinicians kan helpen om beter te begrijpen welke onderzoeksartikelen waarschijnlijk nuttig zullen zijn in de kliniek.

Terwijl het team van onderzoekers experimenteren met en verfijnen van hun APT-metric, begonnen nuttige voorspellende patronen te materialiseren.

Santangelo legde uit:

“Ik denk dat de belangrijkste factor waarop we ons richten is de diversiteit van interesse vanuit het fundamentale onderzoek tot klinisch onderzoek. Wanneer mensen vanuit deze as — van fundamentele wetenschappers die vaak in hetzelfde veld werken als het onderzoek dat wordt gepubliceerd, tot mensen in de kliniek — interesse tonen in de vorm van citaties in die artikelen, dan is de waarschijnlijkheid van uiteindelijke citatie door een klinische trial of richtlijn zeer hoog.”

Volgens Santangelo laten de geselecteerde kenmerken echte beloften zien in het voorspellen van de vertaling van onderzoeksartikelen naar klinische methoden. Gegevens over een publicatie verzameld over een periode van ten minste twee jaar vanaf de publicatiedatum geven vaak nauwkeurige voorspellingen over de uiteindelijke citatie van een artikel in een klinisch artikel.

Santangelo legde uit dat dankzij de nieuwe metric en machine learning-algoritmen de onderzoekers een completere kennis kunnen hebben van wat er gaande is in de literatuur en dat dit een beter inzicht geeft in de onderzoeksgebieden die meer aantrekkelijk zijn voor klinische wetenschappers.

Santangelo legde ook uit dat de integratie van hun algoritmen in de iCite-tool bedoeld is om de gratis, open aard van de NIH’s Open Citation Collection-database te benutten.

De NIH Open Citation Collection-database bestaat momenteel uit meer dan 420 miljoen citatiekoppelingen en groeit. Het algoritme van het team van Santangelo zal de APT-waarden presenteren voor deze citaties wanneer iCite 2.0 in de toekomst wordt gelanceerd.

Veel databases zijn beperkt en propriëtair, en volgens Santangelo verhinderen deze barrières samenwerkend onderzoek. Santangelo is van mening dat er geen fantastische rechtvaardiging is om de gegevens achter een betaalmuur te houden en dat, omdat hun algoritme bedoeld is om anderen de berekende APT-waarden te laten zien, het niet gunstig zou zijn om propriëtair gegevensbronnen te gebruiken.