Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Il nuovo metodo predice se i test clinici COVID-19 saranno completati o sospesi

Per estrarre la battaglia contro COVID-19, gli studi per sviluppare i vaccini, le droghe, le unità e le droghe ri-purposed sono necessari urgentemente. I test clinici ripartiti con scelta casuale sono usati per fornire la prova della sicurezza e dell'efficacia come pure per capire meglio questi romanzo e virus evolventesi. Il 15 luglio, più di 6.180 test clinici COVID-19 sono stati registrati attraverso ClinicalTrials.gov, la registrazione nazionale ed il database per studi clinici privatamente e pubblicamente costituiti un fondo per intrapresi intorno al mondo. Sapere quale sono probabili riuscire è di importanza fondamentale.

I ricercatori dall'informatica della facoltà di ingegneria e dell'università atlantica di Florida sono i primi per modellare il completamento COVID-19 contro cessazione nei test clinici facendo uso degli algoritmi di apprendimento automatico e dell'apprendimento dell'insieme. Lo studio, pubblicato in PLOS uno, fornisce l'insieme delle funzionalità più esteso per le relazioni sul collaudo di test clinico, compreso le funzionalità all'amministrazione di prova di modello, informazioni e progettazione di studio, eleggibilità, parole chiavi, droghe ed altre funzionalità. Questa ricerca indica che i metodi di calcolo possono consegnare gli efficaci modelli per capire la differenza in mezzo completata contro le prove cessate COVID-19. Inoltre, questi modelli anche possono predire lo stato di prova COVID-19 con accuratezza soddisfacente.

Poiché COVID-19 è una malattia relativamente novella, molto poche prove sono state terminate formalmente. Di conseguenza, per lo studio, i ricercatori hanno considerato tre tipi di prove come prove di cessazione: terminato, ritirato e sospeso. Queste prove rappresentano gli sforzi di ricerca che sono stati interrotti/fermato stati per le ragioni particolari e rappresentano gli sforzi e le risorse di ricerca che non riuscivano.

“Lo scopo principale della nostra ricerca era di predire se un test clinico COVID-19 sarà completato o terminato, ritirato o sospeso. I test clinici comprendono moltissimi risorse e tempo compreso la progettazione ed i soggetti umani di reclutamento,„ ha detto Xingquan “la collina„ Zhu, Ph.D., autore senior e un professore nel dipartimento del computer e dell'ingegneria elettrica e dell'informatica, che ha condotto la ricerca con primo l'autore Magdalyn “Maggie„ Elkin, uno studente del secondo anno di Ph.D. in informatica che egualmente lavora a tempo pieno. “Se possiamo predire la probabilità di se una prova potrebbe essere terminata o non giù la strada, aiuterà meglio i consegnatari a pianificazione le loro risorse e procedure. Finalmente, tali approcci di calcolo possono aiutare la nostra società a salvare il tempo e le sorgenti di combattere la pandemia globale COVID-19.„

Per lo studio, Zhu e Elkin hanno raccolto 4.441 prova COVID-19 da ClinicalTrials.gov per costruire un banco di prova. Hanno progettato quattro tipi di funzionalità (funzionalità di statistiche, funzionalità di parola chiave, funzionalità della droga e funzionalità di incassassatura) per caratterizzare l'amministrazione di test clinico, eleggibilità, informazioni di studio, criteri, tipi di droga, parole chiavi di studio come pure includere le funzionalità comunemente usate in apprendimento automatico avanzato. Nel totale, 693 funzionalità dimensionali sono state create per rappresentare ogni test clinico. Per gli scopi di confronto, i ricercatori hanno usato quattro modelli: Rete neurale; Foresta casuale; XGBoost; e regressione logistica.

La selezione di caratteristiche ed il posto hanno indicato che le funzionalità di parola chiave derivate dai termini della maglia (titoli di indice medici) delle relazioni sul collaudo di test clinico, erano il più informativo per la previsione di prova COVID-19, seguito dalle funzionalità della droga, funzionalità di statistiche e funzionalità di incassassatura. Sebbene le funzionalità della droga e le parole chiavi di studio siano le funzionalità più informative, tutti e quattro i tipi di funzionalità sono essenziali per la previsione di prova accurata.

Usando l'insieme che impara e che campiona, il modello utilizzato in questo studio ha raggiunto più di 0,87 aree sotto i punteggi della curva (AUC) e più di 0,81 accuratezze equilibrate per la previsione, indicanti l'alta efficacia di usando i metodi di calcolo per la previsione di test clinico COVID-19. I risultati egualmente hanno mostrato i singoli modelli con accuratezza equilibrata su quanto 70 per cento e un F1-score di 50,49 per cento, suggerente quello che modella i test clinici sono la cosa migliore quando segrega le aree di ricerca o le malattie.

I test clinici che si sono fermati per varie ragioni sono costosi e spesso rappresentano una perdita tremenda di risorse. Poichè gli scoppi futuri di COVID-19 sono probabili anche dopo che la pandemia corrente è diminuito, è critico ottimizzare gli sforzi di ricerca efficienti. L'apprendimento automatico e gli approcci di calcolo determinati AI sono stati sviluppati per le applicazioni di sanità COVID-19 e le tecniche di apprendimento profonde sono state fatte domanda a trattamento di imaging biomedico per predire lo scoppio, diffusione del virus del cingolo e per la diagnosi COVID-19 ed il trattamento. Il nuovo approccio sviluppato dal professor Zhu e Maggie sarà utile da progettare gli approcci di calcolo per predire indipendentemente da fatto che un test clinico COVID-19 sarà completato in moda da potere fare leva i consegnatari le previsioni per pianificazione le risorse, diminuire i costi e per minimizzare il periodo dello studio clinico.„

Informatica di Stella Batalama, di Ph.D., di decano, della facoltà di ingegneria e

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.