Tıbbi Araştırma Klinik Uygulamalarını Öngören AI Modeli

Biyomedikal araştırmada her gün yüzlerce araştırma makalesi yayımlanmaktadır. Ancak laboratuvar ortamından çıkıp klinik uygulamalara dönüşecek araştırmaları öngörmenin zor olduğu bilinmektedir. Ulusal Sağlık Enstitüleri’ndeki (NIH) Portföy Analizi Ofisi (OPA) tarafından geliştirilen bir makine öğrenimi modeli, biyomedikal bir araştırma çalışmasının klinik denemelerde veya rehberlerde kullanılma olasılığını belirleyebilmiştir. OPA’ya göre, bir araştırma makalesinin bir klinik denemede alıntılanması, translasyonel ilerlemenin veya araştırma bulgularının potansiyel bir tedavi olarak kullanılmasının erken bir göstergesidir.

AI Trends tarafından bildirildiği üzere, OPA’daki araştırmacılar, makine öğrenimi modeli için yeni bir ölçüt geliştirdiler, Yaklaşık Çevirme Potansiyeli veya APT olarak adlandırıldı. OPA Direktörü George Santangelo’ya göre, biyomedikal çeviri, bir araştırma projesine dayalı araştırma makalelerine bilimsel topluluğun tepkisine göre öngörebilir. Santangelo, bilginin akışının translasyonel ilerleme veya başarısızlık oranını öngörebilecek farklı yolları olduğunu söyledi.

APT ölçütünün oluşturulması, NIH’in iCite aracının ikinci sürümünün yayınlanmasıyla birlikte gerçekleşti. iCite, bir tarayıcı tabanlı uygulamadır ve belirli bir analiz alanındaki dergi yayımlarına ilişkin bilgileri sağlar. iCite aracı, ileride sorgular için APT değerlerini döndürecektir.

Laboratuvar araştırmalarını klinik uygulamalara uyarlamak, genellikle yıllar alan karmaşık bir görevdir. Bu süreci hızlandırmak için girişimlerde bulunuldu, ancak görevdeki birçok değişken nedeniyle translasyonel süreci değerlendirmek zor olabilir. Santangelo, makine öğrenimi algoritmalarının, klinik uygulamalarda faydalı olabilecek araştırma makalelerini daha iyi anlamak için klinisyenlere güçlü bir araç sağlayabileceğini açıkladı.

Santangelo ve araştırma ekibi, APT ölçütlerini deneysel olarak çalıştırdıkça ve geliştirdikçe, faydalı öngörme kalıpları ortaya çıkmaya başladı.

Santangelo açıkladı:

“Bence en önemli olan, temel araştırmadan klinik araştırmaya kadar olan eksende farklı ilgi çeşitliliğidir. Bu eksen boyunca, aynı alanda yayınlanan çalışma ile ilgili temel bilim insanlarından klinik araştırmacılara kadar herkesin ilgisini gösteren alıntılar olduğunda, bir klinik deneme veya rehber tarafından alıntılanma olasılığı oldukça yüksektir.”

Santangelo, seçilen özelliklerin translasyonel ilerlemeyi öngörmede gerçek bir vaat gösterdiğini söyledi. Bir yayının yayın tarihinden itibaren en az iki yıl boyunca toplanan veriler, bir makalenin bir klinik makalede alıntılanma olasılığını genellikle doğru bir şekilde öngörebilir.

Santangelo, yeni ölçüt ve makine öğrenimi algoritmaları sayesinde araştırmacıların literatürde neler olduğu hakkında daha eksiksiz bir bilgiye sahip olabileceğini ve bu sayede klinik bilim insanlarına daha fazla hitap edecek araştırma alanlarına daha iyi bir bakış açısı sağlayabileceğini açıkladı.

Santangelo, algoritmalarının iCite aracına entegrasyonunun, NIH’in Açık Alıntı Koleksiyonu veritabanının ücretsiz ve açık doğasını kullanmayı amaçladığını söyledi.

NIH Açık Alıntı Koleksiyonu veritabanı, şu anda 420 milyondan fazla alıntı bağlantısını içermekte ve büyümeye devam etmektedir. Santangelo ekibinin algoritması, iCite 2.0’ın gelecekteki sürümünde bu alıntılar için APT değerlerini sunacaktır.

Çok sayıda veritabanı kısıtlayıcı ve özel mülkiyettir ve Santangelo’ya göre bu engeller işbirlikli araştırmaları inhibe etmektedir. Santangelo, verilerin bir ödeme duvarının arkasında tutulmasının için fantastik bir gerekçe olmadığını ve algoritmalarının hesaplanan APT değerlerini başkalarına göstermesi amaçlandığı için özel veri kaynaklarını kullanmanın faydalı olmayacağını düşünmektedir.