Sağlık
Yapay Zeka Modeli Tıbbi Araştırma Klinik Uygulamalarını Öngörebilir
Biyomedikal araştırmalar söz konusu olduğunda, her gün yüzlerce araştırma makalesi yayımlanmaktadır. Ancak, hangi araştırmaların laboratuvar ortamından çıkıp klinik uygulamalara yol açacağı öngörülmesi zor olabilir. Ulusal Sağlık Enstitüleri (NIH) bünyesindeki Portföy Analizi Ofisi (OPA) tarafından geliştirilen bir makine öğrenimi modeli, biyomedikal bir araştırma çalışmasının klinik denemelerde veya rehberlerde kullanılabileceği olasılığı belirleyebiliyor. 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’in bildirdiğine göre, OPA’daki araştırmacılar, makine öğrenimi modelinin kullanacağı yeni bir ölçüt geliştirdiler, yaklaşık çevirme potansiyeli veya APT olarak adlandırıldı. OPA Direktörü George Santangelo’ya göre, biyomedikal çeviri, bir projeye dayalı araştırma makalelerine bilimsel topluluğun tepkisine dayanarak öngörülebilir. Santangelo, bilgi akışının translasyonel ilerlemeyi veya bir makalenin klinik araştırmayı etkileme başarısızlık oranını öngörebilecek belirli yolları olduğunu söyledi.
APT ölçütünün oluşturulması, NIH’in iCite aracının ikinci sürümünün yayınlanmasıyla birlikte gerçekleşti. iCite, bir tarayıcı tabanlı uygulamadır ve belirli bir analiz alanına bağlı olarak dergi yayımlarına ilişkin bilgi sağlar. İlerleyen süreçte, iCite aracı 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’ya göre, makine öğrenimi algoritmaları, klinik uygulamada faydalı olabilecek araştırma makalelerini daha iyi anlamalarına olanak tanıyan güçlü bir araç olabilir. Araştırmacılar APT ölçütlerini deneysel olarak çalıştırıp iyileştirdikçe, faydalı öngörme kalıpları ortaya çıkmaya başladı.
“Sanırım odaklandığımız en önemli şey, temel araştırmadan klinik araştırmaya kadar olan eksen boyunca ilgi çeşitliliği. Bu eksen boyunca – sık sık aynı alanda çalışan temel bilim adamlarından, yayınlanan çalışmanın aynı alanındaki bilim adamlarına kadar – insanların ilgisini, bu makalelerde alıntılar şeklinde göstermeleri durumunda, sonunda bir klinik deneme veya rehber tarafından alıntılanma olasılığı oldukça yüksektir.”
Santangelo’ya göre, seçilen özellikler, bir araştırma makalesinden klinik bir yönteme çeviriyi öngörme konusunda gerçek bir umut vaat ediyor. Bir yayından toplanan veriler, yayımlanma tarihinden itibaren en az iki yıl sonra, bir makalenin sonunda bir klinik makalede alıntılanacağına dair doğru öngörüler sunuyor.
Santangelo, yeni ölçüt ve makine öğrenimi algoritmalarına teşekkür ederek, araştırmacıların literatürde neler olduğunu daha tam olarak bilmesini ve bu durumun, klinik bilim adamlarına daha fazla hitap edecek araştırma alanlarına daha iyi bir bakış açısı sağladığını açıkladı.
Santangelo ayrıca, algoritmalarının iCite aracına entegrasyonunun, NIH’in Açık Alıntı Koleksiyonu veritabanının ücretsiz ve açık doğasını kullanmayı amaçladığını açıkladı.
NIH Açık Alıntı Koleksiyonu veritabanı şu anda 420 milyondan fazla alıntı bağlantısını içeriyor ve büyümeye devam ediyor. Santangelo ekibinin algoritması, iCite 2.0’un gelecekteki lansmanında bu alıntılar için APT değerlerini sunacak.
Çok sayıda veritabanı kısıtlayıcı ve özel mülkiyettir ve Santangelo’ya göre, bu engeller işbirliği araştırmalarını engelliyor. Santangelo, verilerin bir ödeme duvarının arkasında tutulmasının harika bir gerekçesinin olmadığını ve algoritmalarının, başkalarının hesaplanan APT değerlerini görmesine izin vermesi nedeniyle, özel veri kaynaklarını kullanmanın faydalı olmayacağını düşünüyor.
