AI 模型可以预测医疗研究的临床应用

当谈到生物医学研究时，每天都会发表数百篇研究论文。然而，预测哪些研究将从实验室环境中脱颖而出并导致临床应用可能会很困难。最近，美国国家卫生研究院（NIH）的 投资组合分析办公室（OPA）开发的机器学习模型能够确定生物医学研究案例被用于临床试验或指南的可能性。根据 OPA 的说法，研究文章在临床试验中的引用是一个早期指标，表明转化进展或使用研究发现作为潜在的疾病治疗方法。

如 AI Trends 报道，OPA 的研究人员为他们的机器学习模型创建了一个新的指标，称为 近似转化潜力（APT）。根据 OPA 主任 George Santangelo 的说法，生物医学转化可以根据科学界对研究论文的反应来预测。Santangelo 说，有明确的知识流动轨迹，可以预测论文影响临床研究的成功或失败率。

APT 指标的创建与 NIH 的 iCite 工具第二版的发布相吻合。iCite 是一个基于浏览器的应用程序，提供有关期刊出版物的信息，基于其特定的分析领域。未来，iCite 工具将返回查询的 APT 值。

将实验室研究转化为临床应用的过程是一个复杂的任务，通常需要数年。由于该任务涉及的变量众多，评估转化过程可能会很困难。如 Santangelo 解释的，机器学习算法是一种强大的工具，可以使临床医生更好地了解哪些研究论文可能在临床上证明有用。随着研究人员实验和改进他们的 APT 指标，开始出现有用的预测模式。

Santangelo 解释说：

“我认为我们关注的最重要的一个是来自基础到临床研究轴的多样化兴趣。当人们在该轴上，从基础科学家（通常在同一领域的工作）到临床医生，通过引用这些论文表现出兴趣时，论文最终被临床试验或指南引用 的可能性是非常高的。”

根据 Santangelo 的说法，所选特征在预测研究论文转化为临床方法方面显示出真正的希望。从发表日期起至少收集两年出版物的数据通常可以对论文最终在临床文章中的引用做出准确的预测。

Santangelo 解释说，感谢新的指标和机器学习算法，研究人员可以更全面地了解文献中正在发生什么，这使得他们能够更好地了解哪些研究领域更可能吸引临床科学家。

Santangelo 还解释说，他们的算法集成到 iCite 工具中，旨在利用 NIH 的开放引用集合数据库的免费和开放性质。

NIH 开放引用集合数据库目前包含超过 4.2 亿个引用链接，并且不断增长。Santangelo 团队的算法将在 iCite 2.0 发布时为这些引用提供 APT 值。

许多数据库是限制性和专有的，根据 Santangelo 的说法，这些障碍会阻碍合作研究。Santangelo 认为，没有令人信服的理由将数据放在付费墙后面，因为他们的算法旨在让他人看到计算出的 APT 值，因此使用专有数据源将没有好处。