Gezondheidszorg
AI-model kan klinische toepassing van medisch onderzoek voorspellen
Wanneer het gaat om biomedisch onderzoek, worden er elke dag honderden onderzoeksartikelen gepubliceerd. Toch kan het moeilijk zijn om te voorspellen welk onderzoek uit het laboratorium zal komen en zal leiden tot klinische toepassingen. Onlangs kon een machine learning-model dat is ontwikkeld door de Office of Portfolio Analysis, of OPA, bij de National Institutes of Health (NIH) de waarschijnlijkheid bepalen dat een biomedisch onderzoeksgeval zal worden 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 hebben de onderzoekers bij de OPA een nieuwe metric voor hun machine learning-model gemaakt, 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 die een project gebruikt. Santangelo zei dat er distincte trajecten zijn voor de stroom van kennis die de succes- of falingsgraad van een artikel dat klinisch onderzoek beïnvloedt, kunnen voorspellen.
De creatie van de APT-metric komt samen 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. Gaande naar de toekomst, zal de iCite-tool de APT-waarden voor queries retourneren.
Het proces van het aanpassen van laboratoriumonderzoek aan klinische toepassingen is een complexe taak die vaak jaren duurt. Pogingen zijn 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 in staat kan stellen om beter te begrijpen welke onderzoeksartikelen waarschijnlijk nuttig zullen zijn in de kliniek. Toen het team van onderzoekers experimenteerde met en verfijnde hun APT-metric, begonnen nuttige voorspellende patronen te materialiseren.
“Ik denk dat de belangrijkste factor waarop we ons richten is de diversiteit van interesse vanuit het fundamentale tot klinische onderzoeksas. Wanneer mensen over deze as — van fundamentele wetenschappers die vaak in hetzelfde veld werken als het werk 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 een klinische methode. Gegevens over een publicatie die zijn 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 completer beeld kunnen krijgen van wat er gaande is in de literatuur en dat dit een beter inzicht geeft in de onderzoeksgebieden die waarschijnlijker zijn om klinische wetenschappers aan te trekken.
Santangelo legde ook uit dat de integratie van hun algoritmen in de iCite-tool bedoeld is om het gratis, open karakter van de NIH’s Open Citation Collection-database te benutten.
De NIH Open Citation Collection-database bestaat momenteel uit meer dan 420 miljoen citatielinks en groeit. Het algoritme van het team van Santangelo zal de APT-waarden voor deze citaties presenteren wanneer iCite 2.0 in de toekomst wordt gelanceerd.
Veel databases zijn restrictief en propriëtair, en volgens Santangelo, belemmeren deze barrières samenwerkend onderzoek. Santangelo meent dat er geen fantastische rechtvaardiging is om de gegevens achter een betalingsmuur te houden en dat, omdat hun algoritme bedoeld is om anderen de berekende APT-waarden te laten zien, het niet nuttig zou zijn om propriëtaire gegevensbronnen te gebruiken.
