การแพทย์
โมเดล AI สามารถคาดการณ์การใช้งานทางคลินิกของการวิจัยทางการแพทย์
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
เมื่อพูดถึงการวิจัยทางชีวการแพทย์ มีเอกสารวิจัยหลายร้อยฉบับถูกตีพิมพ์ทุกวัน แต่ก็ยากที่จะคาดการณ์ว่าผลวิจัยไหนจะสามารถนำออกมาใช้จริงในสถานพยาบาลได้最近 Researchers ที่ Office of Portfolio Analysis หรือ OPA ของ National Institutes of Health (NIH) ได้พัฒนาโมเดล Machine Learning ที่สามารถกำหนดความน่าจะเป็นที่ผลวิจัยทางชีวการแพทย์จะถูกนำไปใช้ในงานวิจัยทางคลินิกหรือเป็นแนวทางในการรักษาโรค ตาม OPA การอ้างอิงถึงผลวิจัยในงานวิจัยทางคลินิกเป็นตัวบ่งชี้ที่ดีของความก้าวหน้าในการนำผลวิจัยไปใช้จริง
ตามรายงานจาก AI Trends นักวิจัยที่ OPA ได้สร้างเมตริกใหม่สำหรับโมเดล Machine Learning ของตนเอง โดยให้ชื่อว่า Approximate Potential to Translate หรือ APT ตาม OPA Director George Santangelo การคาดการณ์ผลวิจัยทางชีวการแพทย์สามารถทำได้โดยดูจากปฏิกิริยาของชุมชนวิทยาศาสตร์ต่อผลวิจัยที่ตีพิมพ์ Santangelo กล่าวว่ามีเส้นทางที่ชัดเจนสำหรับการไหลของความรู้ที่สามารถคาดการณ์ความสำเร็จหรือความล้มเหลวของผลวิจัยที่จะนำไปสู่การวิจัยทางคลินิก
การสร้างเมตริก APT สอดคล้องกับการเปิดตัว iCite tool ฉบับที่ 2 ของ NIH iCite เป็นแอปพลิเคชันบนเว็บที่ให้ข้อมูลเกี่ยวกับการตีพิมพ์ในวิชาการตามสาขาวิชาที่เฉพาะเจาะจง ในอนาคต iCite จะแสดงค่า APT สำหรับการค้นหาทั้งหมด
กระบวนการนำผลวิจัยจากห้องปฏิบัติการไปสู่การนำไปใช้จริงในสถานพยาบาลเป็นงานที่ซับซ้อนและต้องใช้เวลาหลายปี มีการพยายามเร่งกระบวนการนี้ แต่เนื่องจากมีตัวแปรหลายอย่างที่เกี่ยวข้อง จึงยากที่จะประเมินกระบวนการนี้ ตามที่ Santangelo อธิบาย โมเดล Machine Learning เป็นเครื่องมือที่ทรงพลังที่สามารถช่วยให้แพทย์เข้าใจได้ดีขึ้นว่าผลวิจัยไหนที่น่าจะมีประโยชน์ในการใช้จริงในสถานพยาบาล
เมื่อทีมนักวิจัยทดลองและปรับปรุงเมตริก APT ของตน รูปแบบการคาดการณ์ที่มีประโยชน์ก็เริ่มปรากฏขึ้น
“ฉันคิดว่าสิ่งที่สำคัญที่สุดที่เรามุ่งเน้นคือความหลากหลายของความสนใจจากทั้งฝ่ายวิจัยพื้นฐานและฝ่ายวิจัยทางคลินิก เมื่อมีคนจากทั้งสองฝ่ายแสดงความสนใจในรูปแบบของการอ้างอิงในเอกสารวิจัยแล้ว ความน่าจะเป็นที่ผลวิจัยจะถูกอ้างอิงในงานวิจัยทางคลินิกหรือเป็นแนวทางในการรักษาโรคก็จะสูงมาก”
ตาม Santangelo คุณลักษณะที่เลือกมีความหวังจริงๆ ในการคาดการณ์การนำผลวิจัยไปสู่การวิจัยทางคลินิก ข้อมูลที่รวบรวมเกี่ยวกับการตีพิมพ์ภายในสองปีหลังจากการตีพิมพ์สามารถให้การคาดการณ์ที่แม่นยำเกี่ยวกับการอ้างอิงผลวิจัยในงานวิจัยทางคลินิกในอนาคต
Santangelo อธิบายว่าด้วยเมตริกใหม่และโมเดล Machine Learning นักวิจัยสามารถมีความเข้าใจที่สมบูรณ์ยิ่งขึ้นเกี่ยวกับสิ่งที่เกิดขึ้นในวรรณกรรมและสามารถให้ข้อมูลเชิงลึกที่ดีขึ้นเกี่ยวกับพื้นที่วิจัยที่น่าจะดึงดูดใจนักวิจัยทางคลินิก
Santangelo ยังอธิบายว่าการรวมโมเดลของตนเข้ากับ iCite tool มีจุดมุ่งหมายเพื่อนำความเปิดกว้างและฟรีของฐานข้อมูล Open Citation Collection ของ NIH มาใช้
ฐานข้อมูล Open Citation Collection ของ NIH ปัจจุบันประกอบด้วยมากกว่า 420 ล้านลิงก์ในการอ้างอิงและยังคงเติบโต ตัวเลข APT สำหรับการอ้างอิงเหล่านี้จะถูกนำเสนอเมื่อ iCite 2.0 เปิดตัวในอนาคต
หลายฐานข้อมูลมีการจำกัดและเป็นของส่วนบุคคล และตาม Santangelo สิ่งเหล่านี้เป็นอุปสรรคต่อการวิจัยร่วมกัน Santangelo คิดว่าไม่มีเหตุผลที่ดีในการเก็บข้อมูลไว้หลังกำแพงการชำระเงิน และเนื่องจากอัลกอริทึมของพวกเขาตั้งใจให้ผู้อื่นเห็นค่า APT ที่คำนวณแล้ว จึงไม่คุ้มที่จะใช้แหล่งข้อมูลที่เป็นของส่วนบุคคล
