Model AI może przewidzieć kliniczne zastosowanie badań medycznych

Gdy chodzi o badania biomedyczne, każdego dnia publikowanych jest setki artykułów naukowych. Może być jednak trudno przewidzieć, jakie badania wyjdą poza laboratorium i doprowadzą do zastosowań klinicznych. Niedawno opracowany model uczenia maszynowego przez Biuro Analizy Portfela, lub OPA, w Narodowych Instytutach Zdrowia (NIH) był w stanie określić prawdopodobieństwo zastosowania przypadku badań biomedycznych w badaniach klinicznych lub wytycznych. Zgodnie z OPA, cytowanie artykułu naukowego w badaniu klinicznym jest wczesnym wskaźnikiem postępu translacyjnego lub zastosowania wyników badań jako potencjalnego leczenia choroby.

Według doniesień AI Trends, naukowcy z OPA stworzyli nowy wskaźnik dla swojego modelu uczenia maszynowego, zwanego Przybliżonym Potencjałem do Tłumaczenia, lub APT. Zgodnie z dyrektorem OPA, George’em Santangelo, bio-medyczne tłumaczenie można przewidzieć na podstawie reakcji społeczności naukowej na artykuły naukowe, na które opiera się projekt. Santangelo powiedział, że istnieją wyraźne trajektorie przepływu wiedzy, które mogą przewidzieć wskaźnik powodzenia lub niepowodzenia artykułu wpływającego na badania kliniczne.

Stworzenie wskaźnika APT pokrywa się z wydaniem drugiej wersji narzędzia iCite przez NIH. iCite to aplikacja oparta na przeglądarce, która zapewnia informacje o publikacjach w czasopismach na podstawie ich konkretnego pola analizy. W przyszłości narzędzie iCite będzie zwracać wartości APT dla zapytań.

Proces adaptacji badań laboratoryjnych do zastosowań klinicznych jest złożonym zadaniem, które często trwa lata. Podjęto próby przyspieszenia tego procesu, ale ze względu na wiele zmiennych zaangażowanych w to zadanie, może być trudno ocenić proces translacyjny. Jak wyjaśnił Santangelo, algorytmy uczenia maszynowego są potężnym narzędziem, które mogą

umożliwić klinicystom lepsze zrozumienie, które artykuły naukowe są prawdopodobnie przydatne w klinice. Gdy zespół naukowców eksperymentował i udoskonalał swój wskaźnik APT, pojawiały się przydatne wzorce predykcyjne.

Santangelo wyjaśnił:

„Myślę, że najważniejszy z nich, na który się koncentrujemy, to różnorodność zainteresowania z całego osi od podstawowych badań do badań klinicznych. Gdy ludzie z całej tej osi — od podstawowych naukowców, często z tej samej dziedziny co opublikowane prace, aż po ludzi w klinice — wykazują zainteresowanie w postaci cytowań w tych artykułach, wówczas prawdopodobieństwo ostatecznego cytowania przez badanie kliniczne lub wytyczne jest bardzo wysokie.”

Zgodnie z Santangelo, wybrane cechy pokazują prawdziwą obietnicę w przewidywaniu translacji z artykułu naukowego do metody klinicznej. Dane na temat publikacji zebrane przez co najmniej dwa lata od daty publikacji często dają dokładne przewidywania dotyczące ostatecznego cytowania artykułu w artykule klinicznym.

Santangelo wyjaśnił, że dzięki nowemu wskaźnikowi i algorytmom uczenia maszynowego naukowcy mogą mieć pełniejszą wiedzę na temat tego, co dzieje się w literaturze, co pozwala na lepsze zrozumienie obszarów badań, które są bardziej prawdopodobne, aby odwołać się do naukowców klinicznych.

Santangelo również wyjaśnił, że integracja ich algorytmów z narzędziem iCite ma na celu wykorzystanie wolnego, otwartego charakteru bazy danych Open Citation Collection NIH.

Baza danych Open Citation Collection NIH składa się obecnie z ponad 420 milionów linków cytowań i rośnie. Zespół Santangelo będzie prezentował wartości APT dla tych cytowań, gdy iCite 2.0 zostanie uruchomiony w przyszłości.

Wiele baz danych jest ograniczonych i własnościowych, a zgodnie z Santangelo, te bariery hamują badania współpracy. Santangelo uważa, że nie ma fantastycznego uzasadnienia dla utrzymania danych za paywallem i że ponieważ ich algorytm ma na celu pozwolić innym zobaczyć obliczone wartości APT, nie byłoby korzystne, aby używać źródeł danych własnościowych.