Модель штучного інтелекту може передбачити клінічне застосування медичних досліджень

Коли мова йде про біомедичні дослідження, щодня публікується сотні дослідницьких робіт. Однак може бути складно передбачити, які дослідження вийдуть за межі лабораторії та приведуть до клінічних застосувань. Нещодавно розроблена машина навчання моделі розробниками Офісу портфельного аналізу, або OPA, Національних інститутів охорони здоров’я (NIH) змогла визначити ймовірність того, що біомедичне дослідження буде використано в клінічних випробуваннях або рекомендаціях. За даними OPA, цитування дослідницької статті в клінічному випробуванні є раннім індикатором трансляційного прогресу або використання результатів дослідження як потенційного лікування захворювання.

Як повідомляє AI Trends, дослідники в OPA створили новий метрику для своєї моделі машинного навчання, приблизну потенцію до трансляції, або APT. За словами директора OPA Джорджа Сантанджело, біомедична трансляція може бути передбачена на основі реакції наукової спільноти на дослідницькі статті, на яких базується проект. Сантанджело сказав, що існують різні траєкторії потоку знань, які можуть передбачити успіх або рівень невдач статті, що впливає на клінічні дослідження.

Створення метрики APT збіглося з випуском другої версії інструменту iCite NIH. iCite – це браузерне застосування, яке надає інформацію про публікації журналів на основі їхнього конкретного поля аналізу. У майбутньому інструмент iCite буде повертати значення APT для запитів.

Процес адаптації лабораторних досліджень до клінічних застосувань – це складна задача, яка часто займає роки. Були зроблені спроби прискорити цей процес, але через багато змінних, які беруть участь у цій задачі, може бути складно оцінити трансляційний процес. Як пояснив Сантанджело, алгоритми машинного навчання – це потужний інструмент, який міг би

дозволити клініцистам краще зрозуміти, які дослідницькі статті ймовірно будуть корисними в клініці. Коли команда дослідників експериментувала та удосконалювала свою метрику APT, корисні передбачувальні закономірності почали матеріалізуватися.

Сантанджело пояснив:

“Я думаю, що найважливіший з тих, на яких ми зосереджуємося, – це різноманітність інтересів з усіх фундаментальних до клінічних досліджень. Коли люди по всьому цьому осі – від фундаментальних вчених, часто в тій же галузі, що й робота, яка публікується, до людей у клініці – проявляють інтерес у вигляді цитувань у цих статтях, то ймовірність майбутньої цитування клінічним випробуванням або рекомендацією досить висока”.

За словами Сантанджело, вибрані функції показують справжню обіцянку у передбаченні трансляції з дослідницької статті до клінічного методу. Дані про публікацію, зібрані протягом щонайменше двох років з дати публікації, часто дають точні передбачення про майбутню цитування статті в клінічній статті.

Сантанджело пояснив, що завдяки новій метриці та алгоритмам машинного навчання дослідники можуть мати більш повне знання того, що відбувається в літературі, і що це дозволяє краще зрозуміти галузі досліджень, які більш ймовірно заціклюють клінічних вчених.

Сантанджело також пояснив, що інтеграція їхніх алгоритмів до інструменту iCite призначена для використання вільної, відкритої природи бази даних відкритих цитувань NIH.

База даних відкритих цитувань NIH зараз складається з понад 420 мільйонів посилань на цитування і зростає. Алгоритм команди Сантанджело буде повертати значення APT для цих цитувань, коли iCite 2.0 буде запущено в майбутньому.

Багато баз даних обмежені і власницькі, і, за словами Сантанджело, ці бар’єри інгібують колаборативні дослідження. Сантанджело вважає, що немає фантастичних підстав для утримання даних за платним муром, і що оскільки їхній алгоритм призначений для того, щоб дозволити іншим бачити обчислені значення APT, не було б корисно використовувати власницькі джерела даних.