Здравоохранение
Модель ИИ может предсказать клиническое применение медицинских исследований
Когда речь идет о биомедицинских исследованиях, каждый день публикуется сотни исследовательских работ. Однако может быть трудно предсказать, какие исследования покинут лабораторную обстановку и приведут к клиническим приложениям. Недавно разработанная модель машинного обучения в Office of Portfolio Analysis, или 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 в OPA создали новую метрику для своей модели машинного обучения, названную Approximate Potential to Translate, или APT. Согласно директору OPA, Джорджу Сантанджело, биомедицинская трансляция может быть предсказана на основе реакции научного сообщества на исследовательские работы, на которые основан проект. Сантанджело сказал, что существуют различные траектории потока знаний, которые могут предсказать успех или неудачу статьи, влияющей на клинические исследования.
Создание метрики APT совпадает с выпуском второй версии инструмента iCite NIH. iCite – это веб-приложение, которое предоставляет информацию о публикациях в журналах на основе их конкретной области анализа. В будущем инструмент iCite будет возвращать значения APT для запросов.
Процесс адаптации лабораторных исследований к клиническим приложениям – это сложная задача, которая часто занимает годы. Были предприняты попытки ускорить этот процесс, но из-за многих переменных, участвующих в задаче, может быть трудно оценить трансляционный процесс. Как объяснил Сантанджело, алгоритмы машинного обучения – это мощный инструмент, который может позволить клиницистам лучше понять, какие исследовательские работы, вероятно, окажутся полезными в клинике. Когда команда исследователей экспериментировала и усовершенствовала свою метрику APT, полезные прогностические закономерности начали материализоваться.
“Я думаю, что наиболее важным является то, на что мы фокусируемся, – это разнообразие интереса из-за фундаментальной до клинической оси исследований. Когда люди по всей этой оси – от фундаментальных ученых, часто в той же области, что и работа, которая публикуется, до людей в клинике – показывают интерес в форме цитирования этих работ, то вероятность окончательного цитирования клиническим испытанием или руководством довольно высока”.
Согласно Сантанджело, выбранные функции показывают真正шные обещания 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 том, что статья в конечном итоге будет процитирована в клинической статье.
Сантанджело объяснил, что благодаря новой метрике 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 бесплатной, открытой природы базы данных Open Citation Collection NIH.
База данных Open Citation Collection NIH в настоящее время состоит из более 420 миллионов ссылок на цитаты и продолжает расти. Алгоритм команды Сантанджело будет представлять значения APT для этих цитат, когда iCite 2.0 будет запущен в будущем.
Многие базы данных являются ограниченными и принадлежат частным компаниям, и согласно Сантанджело, эти барьеры препятствуют совместным исследованиям. Сантанджело считает, что нет фантастического оправдания для того, чтобы держать данные за платной стеной, и что поскольку их алгоритм должен позволить другим видеть рассчитанные значения APT, было бы не полезно использовать проприетарные источники данных.
