Saúde
Modelo de IA Pode Prever Aplicação Clínica de Pesquisa Médica
Quando se trata de pesquisa biomédica, centenas de artigos de pesquisa são publicados todos os dias. No entanto, pode ser difícil prever qual pesquisa sairá do ambiente de laboratório e levará a aplicações clínicas. Recentemente, um modelo de aprendizado de máquina desenvolvido pelo Office of Portfolio Analysis, ou OPA, nos National Institutes of Health (NIH) foi capaz de determinar a probabilidade de um caso de pesquisa biomédica ser usado em ensaios clínicos ou diretrizes. De acordo com o OPA, a citação de um artigo de pesquisa em um ensaio clínico é um indicador precoce de progresso translacional ou do uso de descobertas de pesquisa como um tratamento potencial para doenças.
Como relatado pelo AI Trends, os pesquisadores do OPA criaram uma nova métrica para o seu modelo de aprendizado de máquina, chamada de Approximate Potential to Translate, ou APT. De acordo com o diretor do OPA, George Santangelo, a tradução bio-médica pode ser prevista com base na reação da comunidade científica aos artigos de pesquisa que um projeto é baseado. Santangelo disse que existem trajetórias distintas para o fluxo de conhecimento que podem prever a taxa de sucesso ou falha de um artigo que influencia a pesquisa clínica.
A criação da métrica APT coincide com o lançamento da segunda versão da ferramenta iCite do NIH. A iCite é uma aplicação baseada em navegador que fornece informações sobre publicações de periódicos com base em seu campo de análise específico. Em frente, a ferramenta iCite retornará os valores APT para consultas.
O processo de adaptação de pesquisas de laboratório em aplicações clínicas é uma tarefa complexa que frequentemente leva anos. Foram feitas tentativas para acelerar esse processo, devido às muitas variáveis envolvidas na tarefa, pode ser difícil avaliar o processo de tradução. Como explicado por Santangelo, os algoritmos de aprendizado de máquina são uma ferramenta poderosa que pode permitir que os clínicos entendam melhor quais artigos de pesquisa são prováveis de se provar úteis na clínica. À medida que a equipe de pesquisadores experimentava e aprimorava sua métrica APT, padrões preditivos úteis começaram a se materializar.
“Acho que o mais importante que nos concentramos é a diversidade de interesse de todo o eixo de pesquisa fundamental a clínica. Quando as pessoas ao longo desse eixo — desde cientistas fundamentais frequentemente no mesmo campo de trabalho que está sendo publicado, até as pessoas na clínica — mostram interesse na forma de citações nesses artigos, então a probabilidade de citação eventual por um ensaio clínico ou diretriz é bastante alta.”
De acordo com Santangelo, os recursos selecionados mostram promessa genuína em prever a tradução de um artigo de pesquisa para um método clínico. Dados sobre uma publicação coletados durante pelo menos dois anos a partir da data de publicação frequentemente dão previsões precisas sobre a citação eventual de um artigo em um artigo clínico.
Santangelo explicou que graças à nova métrica e algoritmos de aprendizado de máquina, os pesquisadores podem ter um conhecimento mais completo do que está acontecendo na literatura e que isso permite uma visão melhor das áreas de pesquisa que são mais prováveis de atrair cientistas clínicos.
Santangelo também explicou que a integração de seus algoritmos na ferramenta iCite é destinada a aproveitar a natureza gratuita e aberta do banco de dados de Coleção de Citações Abertas do NIH.
O banco de dados de Coleção de Citações Abertas do NIH é atualmente composto por mais de 420 milhões de links de citação e está crescendo. O algoritmo da equipe de Santangelo apresentará os valores APT para essas citações quando a iCite 2.0 for lançada no futuro.
Muitos bancos de dados são restritivos e de propriedade, e de acordo com Santangelo, essas barreiras inibem a pesquisa colaborativa. Santangelo opina que não há uma justificativa fantástica para manter os dados atrás de um paywall e que, como seu algoritmo é destinado a permitir que os outros vejam os valores APT calculados, não seria benéfico usar fontes de dados de propriedade.
