Здоров'я
Модель AI може передбачити клінічне застосування медичних досліджень
Коли справа доходить до біомедичних досліджень, щодня публікуються сотні наукових робіт. Проте може бути важко передбачити, які дослідження вийдуть з лабораторних умов і приведуть до клінічного застосування. Нещодавно модель машинного навчання, розроблена компанією Офіс аналізу портфоліо, або OPA, Національного інституту здоров’я (NIH) зміг визначити ймовірність того, що біомедичний дослідницький випадок буде використаний у клінічних випробуваннях або рекомендаціях. Згідно з OPA, цитування дослідницької статті в клінічному випробуванні є раннім показником прогресу трансляції або використання результатів дослідження як потенційного лікування захворювання.
Як повідомляє AI Trends, дослідники з OPA створили нову метрику для своєї моделі машинного навчання. дубльований Приблизний потенціал для перекладу, або APT. За словами директора OPA Джорджа Сантанджело, біомедичний переклад можна передбачити, виходячи з реакції наукової спільноти на дослідницькі статті, на яких базується проект. Сантанджело сказав, що існують чіткі траєкторії потоку знань, які можуть передбачити рівень успіху чи невдачі статті, що впливає на клінічне дослідження.
Створення метрики APT збігається з випуском другої версії інструменту iCite від NIH. iCite — це браузерна програма, яка надає інформацію про журнальні публікації на основі їхньої специфічної галузі аналізу. У майбутньому інструмент iCite повертатиме значення APT для запитів.
Процес адаптації лабораторних досліджень до клінічних застосувань є складним завданням, яке часто займає роки. Були зроблені спроби прискорити цей процес, оскільки через багато змінних, залучених до завдання, може бути важко оцінити процес перекладу. Як пояснив Сантанджело, алгоритми машинного навчання є потужним інструментом, який може
дозволяють клініцистам краще зрозуміти, які дослідницькі статті можуть виявитися корисними в клініці. Коли команда дослідників експериментувала та вдосконалювала свою метрику APT, почали матеріалізуватися корисні прогностичні моделі.
«Я вважаю, що найважливіше, на чому ми зосереджуємося, — це різноманітність інтересів від фундаментальних до клінічних досліджень. Коли люди по всій цій осі — від фундаментальних науковців, часто в тій самій галузі, що й робота, що публікується, аж до людей у клініці — виявляють інтерес до форми цитувань у цих статтях, тоді ймовірність можливого цитування з боку клінічних випробувань або рекомендацій є досить високими».
За словами Сантанджело, вибрані функції є справжніми перспективами для прогнозування переходу від дослідницької роботи до клінічного методу. Дані про публікацію, зібрані протягом щонайменше двох років з дати публікації, часто дають точні прогнози щодо можливого цитування статті в клінічній статті.
Сантанджело пояснив, що завдяки новим алгоритмам метрики та машинного навчання дослідники можуть мати повніші знання про те, що відбувається в літературі, і що це дозволяє краще зрозуміти дослідницькі галузі, які, швидше за все, зацікавлять клініків.
Сантанджело також пояснив, що інтеграція їхніх алгоритмів в інструмент iCite призначена для використання вільного відкритого характеру бази даних Open Citation Collection NIH.
База даних NIH Open Citation Collection наразі складається з понад 420 мільйонів посилань на цитування та постійно зростає. Алгоритм команди Santangelo представлятиме значення APT для цих посилань, коли iCite 2.0 буде запущено в майбутньому.
Багато баз даних є обмежувальними та належними, і, за словами Сантанджело, ці бар’єри перешкоджають спільним дослідженням. Сантанджело вважає, що немає фантастичного виправдання для зберігання даних за платним екраном і що, оскільки їхній алгоритм має дозволяти іншим бачити обчислені значення APT, було б невигідно використовувати власні джерела даних.
