Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O método novo prevê se os ensaios clínicos COVID-19 serão terminados ou suspendidos

A fim ganhar a batalha contra COVID-19, os estudos para desenvolver vacinas, as drogas, os dispositivos e as drogas re-purposed são urgente necessários. Os ensaios clínicos Randomized são usados para fornecer a evidência da segurança e da eficácia assim como para compreender melhor estes novela e vírus em desenvolvimento. O 15 de julho, mais de 6.180 ensaios clínicos COVID-19 foram registrados através de ClinicalTrials.gov, do registro nacional e da base de dados para os estudos clínicos confidencialmente e publicamente financiados conduzidos em todo o mundo. Saber qual são prováveis suceder é imperativo.

Os pesquisadores da faculdade de universidade atlântica de Florida da engenharia e da informática são os primeiros para modelar a conclusão COVID-19 contra a cessação nos ensaios clínicos usando algoritmos de aprendizagem da máquina e aprendizagem do conjunto. O estudo, publicado em PLOS um, fornece o grupo de características o mais extensivo para relatórios do ensaio clínico, incluindo características à administração experimental modelo, informação e projecto do estudo, aptidão, palavras-chaves, drogas e outras características. Esta pesquisa mostra que os métodos computacionais podem entregar modelos eficazes para compreender a diferença terminada no meio contra as experimentações COVID-19 cessadas. Além, estes modelos igualmente podem prever o estado COVID-19 experimental com precisão satisfatória.

Porque COVID-19 é uma doença relativamente nova, poucas experimentações foram terminadas muito formalmente. Conseqüentemente, para o estudo, os pesquisadores consideraram três tipos de experimentações como experimentações da cessação: terminado, retirado, e suspendido. Estas experimentações representam os esforços de pesquisa que foram parados/parados para razões particulares e representam os esforços e os recursos de pesquisa que não eram bem sucedidos.

“A finalidade principal de nossa pesquisa era prever se um ensaio clínico COVID-19 estará terminado ou terminado, retirado ou suspendido. Os ensaios clínicos envolvem muitos recursos e hora que incluem o planeamento e que recrutam assuntos humanos,” disse Xingquan “monte” Zhu, Ph.D., autor superior e um professor no departamento do computador e da engenharia elétrica e da informática, que conduziu a pesquisa com o primeiro autor Magdalyn “Maggie” Elkin, um estudante do segundo ano do Ph.D. na informática que igualmente trabalha a tempo inteiro. “Se nós podemos prever a probabilidade de se uma experimentação pôde ser terminada ou não abaixo da estrada, ajudará partes interessadas melhor a planear seus recursos e procedimentos. Eventualmente, tais aproximações computacionais podem ajudar nossa sociedade a salvar a hora e as fontes de combater a pandemia COVID-19 global.”

Para o estudo, Zhu e Elkin recolheram 4.441 experimentações COVID-19 de ClinicalTrials.gov para construir um testbed. Projectaram quatro tipos de características (características das estatísticas, características da palavra-chave, características da droga e características do encaixotamento) caracterizar a administração do ensaio clínico, aptidão, informação do estudo, critérios, tipos de droga, palavras-chaves do estudo, assim como encaixar as características de uso geral na aprendizagem de máquina avançada. No total, 693 características dimensionais foram criadas para representar cada ensaio clínico. Para finalidades da comparação, os pesquisadores usaram quatro modelos: Rede neural; Floresta aleatória; XGBoost; e regressão logística.

A selecção e a classificação de característica mostraram que as características da palavra-chave derivadas dos termos da malha (rúbricas sujeitas médicas) dos relatórios do ensaio clínico, eram as mais informativas para a previsão COVID-19 experimental, seguido por características da droga, características das estatísticas e características do encaixotamento. Embora as características da droga e as palavras-chaves do estudo sejam as características as mais informativas, todos os quatro tipos de características são essenciais para a previsão experimental exacta.

Usando o conjunto que aprende e que prova, o modelo usado neste estudo conseguiu mais de 0,87 áreas sob as contagens da curva (AUC) e mais de 0,81 precisões equilibradas para a previsão, indicando a eficácia alta de usar métodos computacionais para a previsão do ensaio clínico COVID-19. Os resultados igualmente mostraram únicos modelos com precisão equilibrada tão altamente quanto 70 por cento e um F1-score de 50,49 por cento, sugerindo aquele que modela ensaios clínicos são os melhores ao segregar áreas ou doenças de pesquisa.

Os ensaios clínicos que pararam por razões diversas são caros e representam frequentemente uma perda tremenda de recursos. Porque as manifestações futuras de COVID-19 são prováveis mesmo depois que a pandemia actual diminuiu, é crítico aperfeiçoar esforços de pesquisa eficientes. A aprendizagem de máquina e as aproximações computacionais conduzidas AI foram desenvolvidas para aplicações dos cuidados médicos COVID-19, e as técnicas de aprendizagem profundas foram aplicadas à imagem lactente médica que processa a fim prever a manifestação, propagação do vírus da trilha e para o diagnóstico COVID-19 e o tratamento. A aproximação nova desenvolvida pelo professor Zhu e Maggie será útil projectar aproximações computacionais prever mesmo se um ensaio clínico COVID-19 estará terminado de modo que as partes interessadas possam leverage as previsões para planear recursos, reduzir custos, e para minimizar a época do estudo clínico.”

Stella Batalama, Ph.D., decano, faculdade da engenharia e informática

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.