AI-modell kan förutsäga klinisk tillämpning av medicinsk forskning

När det gäller biomedicinsk forskning publiceras det hundratals forskningsartiklar varje dag. Men det kan vara svårt att förutsäga vilken forskning som kommer att lämna laboratoriemiljön och leda till kliniska tillämpningar. Nyligen utvecklade en maskinlärningsmodell av Office of Portfolio Analysis, eller OPA, vid National Institutes of Health (NIH) en modell som kunde bestämma sannolikheten för att en biomedicinsk forskningsartikel skulle användas i kliniska prövningar eller riktlinjer. Enligt OPA är citering av en forskningsartikel i en klinisk prövning en tidig indikator på översättningsframsteg eller användning av forskningsresultat som en potentiell behandling för sjukdomar.

Som rapporterats av AI Trends skapade forskarna vid OPA en ny måttstock för sin maskinlärningsmodell, kallad Approximate Potential to Translate, eller APT. Enligt OPA-direktören George Santangelo kan biomedicinsk översättning förutsägas baserat på den vetenskapliga gemenskapens reaktion på forskningsartiklarna som ett projekt bygger på. Santangelo sa att det finns distinkta banor för kunskapsflödet som kan förutsäga framgångs- eller misslyckandefrekvensen för en artikel som påverkar klinisk forskning.

Skapandet av APT-måttet sammanfaller med utgivningen av NIH:s andra version av iCite-verktyget. iCite är ett webbaserat verktyg som tillhandahåller information om tidskriftspublikationer baserat på deras specifika analysområde. Framöver kommer iCite-verktyget att returnera APT-värdena för frågor.

Processen att anpassa laboratorieforskning till kliniska tillämpningar är en komplex uppgift som ofta tar år. Försök har gjorts för att påskynda denna process, men på grund av de många variablerna som är inblandade i uppgiften kan det vara svårt att bedöma översättningsprocessen. Som Santangelo förklarade är maskinlärningsalgoritmer ett kraftfullt verktyg som kan

ge kliniker en bättre förståelse för vilka forskningsartiklar som sannolikt kommer att visa sig användbara i kliniken. När forskargruppen experimenterade med och förbättrade sin APT-måttstock började användbara prediktionsmönster att materialiseras.

Santangelo förklarade:

“Jag tycker att den viktigaste är den som vi fokuserar på, nämligen mångfalden av intresse från grundläggande till klinisk forskningsaxel. När människor över hela axeln — från grundläggande forskare ofta inom samma område som det publicerade arbetet — visar intresse i form av citeringar i dessa artiklar, är sannolikheten för eventuell citering av en klinisk prövning eller riktlinje mycket hög.”

Enligt Santangelo visar de valda funktionerna äkta löfte för att förutsäga översättningen från forskningsartikel till klinisk metod. Data om en publikation som samlats in under minst två år från publiceringsdatumet ger ofta exakta förutsägelser om artikelnas eventuella citering i en klinisk artikel.

Santangelo förklarade att tack vare den nya måttstocken och maskinlärningsalgoritmerna kan forskarna ha en mer komplett kunskap om vad som händer i litteraturen och att detta ger en bättre inblick i de forskningsområden som är mer benägna att tilltala kliniska forskare.

Santangelo förklarade också att deras algoritmers integration i iCite-verktyget är avsedd att utnyttja den fria, öppna naturen hos NIH:s Open Citation Collection-databas.

NHI:s Open Citation Collection-databas består för närvarande av över 420 miljoner citeringslänkar och växer. Santangelos algoritm kommer att presentera APT-värdena för dessa citeringar när iCite 2.0 lanseras i framtiden.

Många databaser är restriktiva och proprietära, och enligt Santangelo hämmar dessa barriärer samarbetande forskning. Santangelo menar att det inte finns någon fantastisk motivering för att hålla data bakom en betalvägg och att eftersom deras algoritm är avsedd att låta andra se de beräknade APT-värdena, skulle det inte vara fördelaktigt att använda proprietära datakällor.