Модель ИИ может предсказать клиническое применение медицинских исследований

Когда речь идет о биомедицинских исследованиях, каждый день публикуется сотни исследовательских работ. Однако может быть сложно предсказать, какие исследования смогут выйти из лабораторной обстановки и привести к клиническим применениям. Недавно разработанная модель машинного обучения, созданная Офисом анализа портфеля (Office of Portfolio Analysis, OPA) в Национальных институтах здравоохранения (NIH), смогла определить вероятность того, что биомедицинское исследование будет использовано в клинических испытаниях или руководствах. Согласно OPA, цитирование исследовательской статьи в клиническом испытании является ранним индикатором трансляционного прогресса или использования результатов исследований в качестве потенциального лечения заболевания.

Как сообщает AI Trends, исследователи OPA создали новый метрический показатель для своей модели машинного обучения, называемый Approximate Potential to Translate (APT). Согласно директору OPA Джорджу Сантанджело, биомедицинская трансляция может быть предсказана на основе реакции научного сообщества на исследовательские работы, которые являются основой проекта. Сантанджело сказал, что существуют различные траектории потока знаний, которые могут предсказать успех или неудачу статьи, влияющей на клинические исследования.

Создание метрического показателя APT совпадает с выпуском второй версии инструмента iCite NIH. iCite – это веб-приложение, которое предоставляет информацию о публикациях журналов на основе их конкретной области анализа. В дальнейшем инструмент iCite будет возвращать значения APT для запросов.

Процесс адаптации лабораторных исследований к клиническим применением является сложной задачей, которая часто занимает годы. Были предприняты попытки ускорить этот процесс, но из-за многих переменных, участвующих в этой задаче, может быть сложно оценить трансляционный процесс. Как объяснил Сантанджело, алгоритмы машинного обучения являются мощным инструментом, который может позволить клиницистам лучше понять, какие исследовательские работы, скорее всего, окажутся полезными в клинике. Когда команда исследователей экспериментировала и усовершенствовала метрический показатель APT, полезные прогностические закономерности начали материализоваться.

Сантанджело объяснил:

«Я думаю, что наиболее важным из них является разнообразие интереса со стороны фундаментальных и клинических исследователей. Когда люди по всей этой оси – от фундаментальных ученых, часто из той же области, что и публикуемая работа, до людей в клинике – проявляют интерес в форме цитирования этих работ, то вероятность последующего цитирования клиническим испытанием или руководством довольно высока».

Согласно Сантанджело, выбранные характеристики показывают真正е обещание в предсказании трансляции из исследовательской работы в клинический метод. Данные о публикации, собранные за не менее двух лет с даты публикации, часто дают точные прогнозы о последующем цитировании статьи в клинической статье.

Сантанджело объяснил, что благодаря новому метрическому показателю и алгоритмам машинного обучения исследователи могут иметь более полное представление о том, что происходит в литературе, и что это позволяет лучше понять области исследований, которые более вероятно привлекут клинических ученых.

Сантанджело также объяснил, что интеграция их алгоритмов в инструмент iCite предназначена для использования свободной и открытой природы базы данных Open Citation Collection NIH.

База данных Open Citation Collection NIH в настоящее время состоит из более 420 миллионов ссылок и продолжает расти. Алгоритм команды Сантанджело будет представлять значения APT для этих ссылок при запуске iCite 2.0 в будущем.

Многие базы данных являются ограниченными и проприетарными, и, согласно Сантанджело, эти барьеры препятствуют совместным исследованиям. Сантанджело считает, что нет фантастического оправдания для сохранения данных за платной стеной, и что, поскольку их алгоритм должен позволить другим увидеть рассчитанные значения APT, не будет полезно использовать проприетарные источники данных.