Охорона здоров’я
Модель штучного інтелекту може передбачити клінічне застосування медичних досліджень
Коли мова йде про біомедичні дослідження, сотні дослідницьких робіт публікуються щодня. Однак може бути складно передбачити, які дослідження вийдуть за межі лабораторної обстановки та приведуть до клінічних застосувань. Нещодавно розроблена машина модель навчання, створена Офісом портфельного аналізу, або OPA, у Національному інституті охорони здоров’я (NIH),能够 визначити ймовірність використання біомедичних досліджень у клінічних випробуваннях або керівництвах. За даними OPA, цитування статті дослідження у клінічному випробуванні є раннім індикатором трансляційного прогресу або використання результатів дослідження як потенційного лікування захворювання.
Як повідомляє AI Trends, дослідники з OPA створили новий показник для своєї моделі машинного навчання, названий Приблизиме потенціал трансляції, або APT. За словами директора OPA Джорджа Сантанжело, біомедична трансляція можна передбачити на основі реакції наукової спільноти на статті дослідження, на яких базується проект. Сантанжело сказав, що існують відмінні траєкторії потоку знань, які можуть передбачити успіх або невдачу статті, що впливає на клінічне дослідження.
Створення показника APT збігається з випуском другої версії інструменту iCite від 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 триває роки. Були зроблені спроби прискорити цей процес, але через багато змінних, задіяних у цій задачі, може бути складно оцінити трансляційний процес. Як пояснив Сантанжело, алгоритми машинного навчання – це потужний інструмент, який може дозволити клініцистам краще зрозуміти, які статті дослідження найімовірніше будуть корисними у клініці. Коли команда дослідників експериментувала та удосконалювала свій показник APT, корисні передбачувані моделі почали матеріалізуватися.
“Я думаю, що найважливіше, на чому ми зосереджуємося, – це різноманітність інтересів з усіх фундаментальних до клінічних дослідницьких осей. Коли люди по всій осі – від фундаментальних вчених, часто у тій самій галузі, що й робота, яка публікується, до людей у клініці – проявляють інтерес у вигляді цитувань цих статей, тоді ймовірність майбутньої цитування клінічним випробуванням або керівництвом є досить високою”.
За словами Сантанжело, вибрані функції показують справжню обіцянку у передбаченні трансляції з статті дослідження до клінічного методу. Дані про публікацію, зібрані за щонайменше два роки з дати публікації, часто дають точні передбачення про майбутню цитування статті у клінічній статті.
Сантанжело пояснив, що завдяки новому показнику та алгоритмам машинного навчання дослідники можуть мати повніше знання того, що відбувається у літературі, і що це дозволяє краще розуміння дослідницьких областей, які більш імовірно будуть привабливими для клінічних вчених.
Сантанжело також пояснив, що інтеграція їхніх алгоритмів до інструменту iCite призначена для використання вільної, відкритої природи бази даних Відкритої колекції цитувань NIH.
База даних Відкритої колекції цитувань NIH зараз складається з понад 420 мільйонів посилань на цитування та зростає. Алгоритм команди Сантанжело буде представляти значення APT для цих цитувань, коли iCite 2.0 запуститься у майбутньому.
Багато баз даних обмежені та власницькі, і за словами Сантанжело, ці бар’єри інгібують колаборативні дослідження. Сантанжело вважає, що немає фантастичних підстав для утримання даних за платним муром, і що оскільки їхній алгоритм призначений дозволити іншим бачити розрахованих значення APT, не було б корисним використовувати власницькі джерела даних.
