Mô hình AI có thể dự đoán ứng dụng lâm sàng của nghiên cứu y học

Khi nói đến nghiên cứu sinh học, có hàng trăm bài nghiên cứu được xuất bản mỗi ngày. Tuy nhiên, việc dự đoán nghiên cứu nào sẽ thoát khỏi môi trường phòng thí nghiệm và dẫn đến ứng dụng lâm sàng có thể rất khó khăn. Gần đây, một mô hình học máy được phát triển bởi Văn phòng Phân tích danh mục đầu tư, hoặc OPA, tại Viện Y tế Quốc gia (NIH) đã có thể xác định khả năng của một trường hợp nghiên cứu sinh học được sử dụng trong thử nghiệm lâm sàng hoặc hướng dẫn. Theo OPA, việc trích dẫn một bài nghiên cứu trong một thử nghiệm lâm sàng là một chỉ số sớm của tiến bộ chuyển đổi hoặc sử dụng kết quả nghiên cứu như một phương pháp điều trị tiềm năng cho bệnh.

Como được báo cáo bởi Xu hướng AI, các nhà nghiên cứu tại OPA đã tạo ra một chỉ số mới cho mô hình học máy của họ, được gọi là Khoảng cách tiềm năng để chuyển đổi, hoặc APT. Theo Giám đốc OPA, George Santangelo, sự chuyển đổi sinh học có thể được dự đoán dựa trên phản ứng của cộng đồng khoa học đối với các bài báo nghiên cứu mà một dự án dựa trên. Santangelo cho biết có những軌迹 riêng biệt cho dòng chảy của kiến thức mà có thể dự đoán tỷ lệ thành công hoặc thất bại của một bài báo ảnh hưởng đến nghiên cứu lâm sàng.

Sự tạo ra chỉ số APT trùng với việc phát hành phiên bản thứ hai của công cụ iCite của NIH. iCite là một ứng dụng dựa trên trình duyệt cung cấp thông tin về các bài báo tạp chí dựa trên lĩnh vực phân tích cụ thể. Trong tương lai, công cụ iCite sẽ trả về các giá trị APT cho các truy vấn.

Quá trình chuyển đổi nghiên cứu phòng thí nghiệm thành ứng dụng lâm sàng là một nhiệm vụ phức tạp thường mất nhiều năm. Các nỗ lực đã được thực hiện để đẩy nhanh quá trình này, nhưng do có nhiều biến số tham gia vào nhiệm vụ, việc đánh giá quá trình chuyển đổi có thể rất khó khăn. Như Santangelo giải thích, các thuật toán học máy là một công cụ mạnh mẽ có thể giúp các nhà lâm sàng hiểu rõ hơn về những bài báo nghiên cứu nào có khả năng chứng minh hữu ích trong phòng khám. Khi nhóm nghiên cứu thử nghiệm và tinh chỉnh chỉ số APT của họ, các mẫu dự đoán hữu ích bắt đầu xuất hiện.

Santangelo giải thích:

“Tôi nghĩ rằng điều quan trọng nhất mà chúng tôi tập trung vào là sự đa dạng của sự quan tâm từ các nhà nghiên cứu cơ bản đến các nhà nghiên cứu lâm sàng. Khi mọi người trên toàn trục này — từ các nhà khoa học cơ bản thường trong cùng lĩnh vực với công việc được xuất bản, tất cả cách đến những người trong phòng khám — thể hiện sự quan tâm dưới dạng trích dẫn trong các bài báo đó, thì khả năng được trích dẫn bởi một thử nghiệm lâm sàng hoặc hướng dẫn sau này là rất cao.”

Theo Santangelo, các tính năng được chọn cho thấy tiềm năng thực sự trong việc dự đoán sự chuyển đổi từ bài báo nghiên cứu sang một phương pháp lâm sàng. Dữ liệu về một bài báo được thu thập trong ít nhất hai năm từ ngày xuất bản thường cung cấp dự đoán chính xác về việc bài báo đó sẽ được trích dẫn trong một bài báo lâm sàng.

Santangelo giải thích rằng nhờ chỉ số mới và thuật toán học máy, các nhà nghiên cứu có thể có kiến thức đầy đủ hơn về những gì đang xảy ra trong lĩnh vực văn học và điều này cho phép họ có cái nhìn sâu sắc hơn về các lĩnh vực nghiên cứu có khả năng thu hút các nhà khoa học lâm sàng.

Santangelo cũng giải thích rằng việc tích hợp thuật toán của họ vào công cụ iCite nhằm tận dụng tính chất mở và miễn phí của cơ sở dữ liệu Bộ sưu tập trích dẫn mở của NIH.

Cơ sở dữ liệu Bộ sưu tập trích dẫn mở của NIH hiện bao gồm hơn 420 triệu liên kết trích dẫn và đang tăng. Thuật toán của nhóm Santangelo sẽ trình bày các giá trị APT cho các trích dẫn này khi iCite 2.0 ra mắt trong tương lai.

Nhiều cơ sở dữ liệu bị hạn chế và độc quyền, và theo Santangelo, những rào cản này cản trở nghiên cứu hợp tác. Santangelo cho rằng không có lý do tuyệt vời để giữ dữ liệu sau một tường lửa trả phí và vì thuật toán của họ được thiết kế để cho phép người khác xem các giá trị APT được tính toán, việc sử dụng nguồn dữ liệu độc quyền sẽ không có lợi.