AI-modell kan forutsi klinisk anvendelse av medisinsk forskning

Når det gjelder biomedisinsk forskning, publiseres det hundrevis av forskningsartikler hver dag. Likevel kan det være vanskelig å forutsi hvilken forskning som vil komme ut av laboratoriemiljøet og føre til kliniske anvendelser. Nylig ble en maskinlæringsmodell utviklet av Office of Portfolio Analysis, eller OPA, ved National Institutes of Health (NIH), i stand til å bestemme sannsynligheten for at en biomedisinsk forskningsartikkel vil bli brukt i kliniske studier eller retningslinjer. Ifølge OPA er sitater av en forskningsartikkel i en klinisk studie en tidlig indikator på translasjonsfremskritt eller bruk av forskningsfunn som en potensiell behandling for sykdom.

Som rapportert av AI Trends, skapte forskerne ved OPA en ny målestokk for deres maskinlæringsmodell, kalt Approximate Potential to Translate, eller APT. Ifølge OPA-direktør George Santangelo kan bio-medisinsk oversettelse forutsies basert på reaksjonen fra det vitenskapelige samfunnet til forskningsartiklene som et prosjekt bygger på. Santangelo sa at det finnes distinkte baner for kunnskapsflyten som kan forutsi suksess- eller feilrate for en artikkel som påvirker klinisk forskning.

Skapingen av APT-målestokken sammenfaller med lanseringen av NIHs andre versjon av iCite-verktøyet. iCite er en nettbasert applikasjon som gir informasjon om tidsskriftspublikasjoner basert på deres spesifikke analysefelt. Fremover vil iCite-verktøyet returnere APT-verdier for spørringer.

Prosessen med å tilpasse laboratorieforskning til kliniske anvendelser er en kompleks oppgave som ofte tar år. Forsøk har blitt gjort for å fremskynde denne prosessen, men på grunn av de mange variablene involvert i oppgaven, kan det være vanskelig å vurdere oversettelsesprosessen. Som Santangelo forklarte, er maskinlæringsalgoritmer et kraftig verktøy som kunne

muliggjøre at kliniske forskere bedre forstår hvilke forskningsartikler som sannsynligvis vil være nyttige i kliniske studier. Mens forskerlaget eksperimenterte med og forbedret APT-målestokken, begynte nyttige prediksjonsmønster å materialisere.

Santangelo forklarte:

“Jeg tror den viktigste vi fokuserer på er mangfoldet av interesse fra grunnforskning til klinisk forskning. Når mennesker over hele denne akse — fra grunnforskere ofte i samme felt som arbeidet som publiseres, helt til mennesker i kliniske studier — viser interesse i form av sitater i disse artiklene, så er sannsynligheten for at det til slutt vil bli sitert i en klinisk studie eller retningslinje ganske høy.”

Ifølge Santangelo viser de valgte funksjonene ekte løfte i å forutsi oversettelsen fra forskningsartikkel til en klinisk metode. Data om en publikasjon samlet over en periode på minst to år fra publiseringsdatoen ofte gir nøyaktige forutsigelser om artikkelenes eventuelle sitat i en klinisk artikkel.

Santangelo forklarte at takket være den nye målestokken og maskinlæringsalgoritmene kan forskerne ha mer komplett kunnskap om hva som skjer i litteraturen, og at dette tillater bedre innsikt i forskningsområdene som er mer sannsynlig å appellere til kliniske forskere.

Santangelo forklarte også at deres algoritmers integrasjon i iCite-verktøyet er ment å utnytte den frie, åpne naturen til NIHs Open Citation Collection-database.

NHIs Open Citation Collection-database består for øyeblikket av over 420 millioner sitatlenker og vokser. Santangelos teamets algoritme vil presentere APT-verdiene for disse sitatene når iCite 2.0 lanseres i fremtiden.

Mange databaser er restriktive og proprietære, og ifølge Santangelo, hemmer disse barrierene samarbeidende forskning. Santangelo mener at det ikke finnes en fantastisk begrunnelse for å holde dataene bak en betalingsmur, og at fordi deres algoritme er ment å la andre se de beregnede APT-verdiene, ville det ikke være nyttig å bruke proprietære datakilder.