Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El nuevo método predice si las juicios clínicas COVID-19 son terminadas o suspendidas

Para ganar la batalla contra COVID-19, los estudios para desarrollar vacunas, las drogas, los dispositivos y las drogas re-purposed se necesitan urgente. Las juicios clínicas seleccionadas al azar se utilizan para proporcionar pruebas del seguro y de la eficacia así como para entender mejor esta novela y virus de desarrollo. El 15 de julio, más de 6.180 juicios clínicas COVID-19 se han registrado a través de ClinicalTrials.gov, del registro nacional y de la base de datos para los estudios clínicos privado y público financiados conducto en todo el mundo. El saber cuáles son probables tener éxito es imprescindible.

Los investigadores de la universidad de universidad atlántica de la Florida de la ingeniería y de informática son los primeros para modelar la realización COVID-19 comparado con el cese en juicios clínicas usando algoritmos de aprendizaje de máquina y el aprendizaje del conjunto. El estudio, publicado en PLOS uno, ofrece el equipo de las características más extenso para los partes de la juicio clínica, incluyendo características a la administración de ensayo modelo, información y diseño del estudio, elegibilidad, las palabras claves, las drogas y otras características. Esta investigación muestra que los métodos de cómputo pueden entregar modelos efectivos para entender la diferencia en medio terminada comparado con las juicios cesadas COVID-19. Además, estos modelos también pueden predecir el estado de ensayo COVID-19 con exactitud satisfactoria.

Porque COVID-19 es una enfermedad relativamente nueva, muy pocas juicios se han terminado formalmente. Por lo tanto, para el estudio, los investigadores consideraban tres tipos de juicios como juicios del cese: terminado, replegado, y suspendido. Estas juicios representan los esfuerzos de investigación que se han parado/se han parado por razones determinadas y representan los esfuerzos y los recursos de investigación que no eran acertados.

“El propósito principal de nuestra investigación era predecir si una juicio clínica COVID-19 será terminada o terminada, replegada o suspendida. Las juicios clínicas implican muchos recursos y hora incluyendo la formulación de planes y temas humanos de reclutamiento,” dijo a Xingquan “colina” Zhu, Ph.D., autor y profesor en el departamento de la computador y de la ingeniería eléctrica y de informática mayores, que conducto la investigación con primer autor Magdalyn “Maggie” Elkin, un estudiante de segundo año del Ph.D. en de informática quién también trabaja a tiempo completo. “Si podemos predecir la probabilidad de si una juicio se pudo terminar o no abajo del camino, ayudará a tenedores mejor a proyectar sus recursos y procedimientos. Eventual, tales aproximaciones de cómputo pueden ayudar a nuestra sociedad a salvar hora y fuentes de combate el pandémico global COVID-19.”

Para el estudio, Zhu y Elkin cerco 4.441 juicios COVID-19 de ClinicalTrials.gov para construir un banco de pruebas. Diseñaron cuatro tipos de características (características de las estadísticas, características de la palabra clave, características de la droga y características el embutir) para caracterizar la administración de la juicio clínica, elegibilidad, información del estudio, consideraciones, tipos de droga, palabras claves del estudio, así como para embutir las características de uso general en el aprendizaje de máquina avanzado. En total, 693 características dimensionales fueron creadas para representar cada juicio clínica. A efectos de comparación, los investigadores utilizaron cuatro modelos: Red neuronal; Bosque al azar; XGBoost; y regresión logística.

La selección y la graduación de características mostraron que las características de la palabra clave derivadas de los términos de la malla (encabezamientos médicos) de los partes de la juicio clínica, eran las más informativas para la predicción de ensayo COVID-19, seguido por las características de la droga, las características de las estadísticas y las características el embutir. Aunque las características de la droga y las palabras claves del estudio fueran las características más informativas, los cuatro tipos de características son esenciales para la predicción de ensayo exacta.

Usando el conjunto que aprendía y que muestreaba, el modelo usado en este estudio logró más de 0,87 áreas bajo las muescas de la curva (AUC) y más de 0,81 exactitudes equilibradas para la predicción, indicando la alta eficacia de usar los métodos de cómputo para la predicción de la juicio clínica COVID-19. Los resultados también mostraron únicos modelos con exactitud equilibrada de hasta el 70 por ciento y un F1-score del 50,49 por ciento, sugiriendo eso que modela juicios clínicas es los mejores al segregar áreas o enfermedades de investigación.

Las juicios clínicas que han parado por diversas razones son costosas y representan a menudo una enorme baja de recursos. Pues los brotes futuros de COVID-19 son probables incluso después el pandémico actual ha disminuido, es crítico optimizar esfuerzos de investigación eficientes. El aprendizaje de máquina y las aproximaciones de cómputo impulsadas AI se han desarrollado para los usos de la atención sanitaria COVID-19, y las técnicas de aprendizaje profundas se han solicitado a la proyección de imagen médica que tramitaba para predecir el brote, extensión del virus del carril y la diagnosis COVID-19 y el tratamiento. La nueva aproximación desarrollada por profesor Zhu y Maggie será útil diseñar aproximaciones de cómputo para predecir independientemente de si una juicio clínica COVID-19 será terminada de modo que los tenedores puedan leverage las predicciones para proyectar recursos, para reducir costos, y para disminuir la época del estudio clínico.”

Stella Batalama, Ph.D., decano, universidad de la ingeniería y de 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.