Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

La méthode neuve prévoit si les tests cliniques COVID-19 seront complétés ou suspendus

Afin de gagner le combat contre COVID-19, des études pour développer des vaccins, les médicaments, les dispositifs et les médicaments re-purposed sont eus un besoin urgent. Des essais cliniques randomisés sont employés pour fournir la preuve de la sécurité et de l'efficacité ainsi que pour comprendre mieux ces roman et virus en évolution. À partir du 15 juillet, plus de 6.180 tests cliniques COVID-19 ont été enregistrés par ClinicalTrials.gov, le Bureau d'ordre national et la base de données pour les études cliniques privé et publiquement financées entreprises autour du monde. Savoir lesquels sont susceptibles de réussir est impérieux.

Les chercheurs de l'université de l'ingéniérie de l'université atlantique de la Floride et de l'informatique sont les premiers pour modéliser l'achèvement COVID-19 contre l'arrêt dans les tests cliniques utilisant des algorithmes d'apprentissage automatique et apprendre d'ensemble. L'étude, publiée dans PLOS un, fournit l'ensemble de fonctionnalités le plus considérable pour des états de test clinique, y compris des caractéristiques à la gestion d'essai modèle, l'information et le modèle d'étude, l'éligibilité, les mots clés, les médicaments et d'autres caractéristiques. Cette recherche prouve que les méthodes de calcul peuvent fournir les modèles efficaces pour comprendre la différence entre complétée contre les essais COVID-19 cessés. De plus, ces modèles peuvent également prévoir l'état COVID-19 d'essai avec l'exactitude satisfaisante.

Puisque COVID-19 est une maladie relativement nouvelle, très peu d'essais ont été formellement mis fin. Par conséquent, pour l'étude, les chercheurs ont considéré trois types d'essais comme essais d'arrêt : mis fin, replié, et suspendu. Ces essais représentent les efforts de recherche qui ont été arrêtés/arrêtés pour des raisons particulières et représentent les efforts de recherche et les moyens qui n'étaient pas couronnés de succès.

« Le but principal de notre recherche était de prévoir si un test clinique COVID-19 sera complété ou mis fin, retiré ou suspendu. Les tests cliniques concernent beaucoup de moyens et d'heure comprenant la planification et les sujets humains recruteurs, » a dit Xingquan « côte » Zhu, Ph.D., auteur et un professeur dans le service de l'ordinateur et du génie électrique et de l'informatique supérieurs, qui a conduit la recherche avec le premier auteur Magdalyn « Maggie » Elkin, un stagiaire deuxième année de Ph.D. dans de l'informatique qui travaill également le plein temps. « Si nous pouvons prévoir la probabilité de, qu'un essai pourrait être mis fin ou pas en bas de la route, il aidera des parties prenantes mieux à planification leurs moyens et procédures. Éventuellement, de telles approches de calcul peuvent aider notre société à sauvegarder l'heure et les sources de combattre la pandémie COVID-19 globale. »

Pour l'étude, Zhu et Elkin ont rassemblé 4.441 essais COVID-19 de ClinicalTrials.gov pour établir un banc d'essai. Ils ont conçu quatre types de caractéristiques (caractéristiques de statistiques, caractéristiques de mot clé, caractéristiques de médicament et caractéristiques de encastrer) pour caractériser la gestion de test clinique, éligibilité, l'information d'étude, critères, types de médicament, mots clés d'étude, ainsi qu'inclure des caractéristiques utilisées généralement dans l'apprentissage automatique de pointe. Au total, 693 caractéristiques dimensionnelles ont été produites pour représenter chaque test clinique. Pour la comparaison, les chercheurs ont employé quatre modèles : Réseau neuronal ; Forêt faite au hasard ; XGBoost ; et régression logistique.

La sélection et la hiérarchie de mode ont prouvé que les caractéristiques de mot clé dérivées des conditions de maille (vedettes matières médicales) des états de test clinique, étaient les plus instructives pour la prévision COVID-19 d'essai, suivi des caractéristiques de médicament, des caractéristiques de statistiques et des caractéristiques de encastrer. Bien que les caractéristiques de médicament et les mots clés d'étude aient été les caractéristiques les plus instructives, chacun des quatre types de caractéristiques est essentiel pour la prévision d'essai précise.

À l'aide de l'ensemble apprenant et échantillonnant, le modèle utilisé dans cette étude a réalisé plus de 0,87 endroits sous les rayures de la courbure (AUC) et plus de 0,81 exactitudes équilibrées pour la prévision, indiquant l'efficacité élevée d'employer des méthodes de calcul pour la prévision du test clinique COVID-19. Les résultats ont également montré les modèles uniques avec l'exactitude équilibrée aussi élevée que 70 pour cent et un F1-score de 50,49 pour cent, proposant cela qui modélise des tests cliniques sont les meilleurs en isolant des champs de recherche ou des maladies.

Les tests cliniques qui se sont arrêtés pour différentes raisons sont coûteux et représentent souvent une disparition des moyens énorme. Car les futures manifestations de COVID-19 sont susceptibles même après que la pandémie actuelle s'est baissée, il est critique d'optimiser des efforts de recherche efficaces. L'apprentissage automatique et les approches de calcul pilotées par AI ont été développés pour des applications de la santé COVID-19, et des méthodes d'apprentissage profondes ont été appliquées à l'imagerie médicale traitant afin de prévoir la manifestation, propagation des virus de piste et pour le diagnostic COVID-19 et la demande de règlement. L'approche neuve développée par professeur Zhu et Maggie sera utile de concevoir des approches de calcul pour prévoir si ou non un test clinique COVID-19 sera complété de sorte que les parties prenantes puissent influencer les prévisions pour planification des moyens, pour réduire des coûts, et pour réduire à un minimum la période de l'étude clinique. »

Stella Batalama, Ph.D., doyen, université de l'ingéniérie et de l'informatique

Source:
Journal reference:

Elkin, M.E & Zhu, X., (2021) Understanding and predicting COVID-19 clinical trial completion vs. cessation. PLOS ONE. doi.org/10.1371/journal.pone.0253789.