Nouvelles prévisions de Méthode si les tests cliniques COVID-19 échoueront ou réussiront
Pour gagner la bataille contre COVID-19, des études pour développer des vaccins, des médicaments, des dispositifs et des médicaments réutilisés sont nécessaires de toute urgence. Des essais cliniques randomisés sont utilisés pour fournir des preuves d’innocuité et d’efficacité et pour mieux comprendre ce virus nouveau et en évolution. Au 15 juillet, plus de 6 180 essais cliniques COVID-19 avaient été enregistrés via ClinicalTrials.gov, le registre national et la base de données pour les études cliniques financées par des fonds privés et publiques menées dans le monde entier. Il est impératif de savoir lesquels sont susceptibles de réussir.
Des chercheurs du Collège d’ingénierie et d’informatique de la Florida Atlantic University sont les premiers à modéliser l’achèvement de la COVID-19 par rapport à l’arrêt dans les essais cliniques à l’aide d’algorithmes d’apprentissage automatique et d’apprentissage d’ensemble. L’étude, publiée dans PLOS ONE, fournit les fonctionnalités les plus complètes pour les rapports d’essais cliniques, y compris l’administration des essais modèles, les informations et la conception de l’étude, l’éligibilité, les mots-clés, les médicaments et d’autres fonctionnalités.
Cette recherche montre que les méthodes de calcul peuvent fournir des modèles efficaces pour comprendre la différence entre les essais COVID-19 terminés et arrêtés. De plus, ces modèles peuvent également prédire le statut de l’essai COVID-19 avec une précision satisfaisante.
Parce que COVID-19 est une maladie relativement nouvelle, très peu d’essais ont été officiellement terminés. Par conséquent, les chercheurs ont considéré trois types de tests pour l’étude comme des essais de sevrage : terminés, retirés et suspendus. Ces essais représentent des efforts de recherche qui ont été arrêtés/arrêtés pour des raisons particulières et représentent des efforts et des ressources de recherche qui n’ont pas abouti.
« L’objectif principal de notre recherche était de prédire si un essai clinique COVID-19 sera achevé ou terminé, retiré ou suspendu. Les essais cliniques impliquent beaucoup de ressources et de temps, y compris la planification et le recrutement de sujets humains », a déclaré Xingquan « Hill » Zhu, Ph.D., auteur principal et professeur au Département de génie informatique et électrique et d’informatique, qui a mené la recherche avec la première auteure Magdalyn “Maggie” Elkin, doctorante en deuxième année. Étudiant en informatique qui travaille également à temps plein. « Si nous pouvons prédire la probabilité qu’un essai soit terminé ou non, cela aidera les parties prenantes à mieux planifier leurs ressources et leurs procédures. À terme, de telles approches informatiques pourraient aider notre société à économiser du temps et des ressources pour lutter contre la pandémie mondiale de COVID-19. »
Pour l’étude, Zhu et Elkin ont collecté 4 441 essais COVID-19 auprès de ClinicalTrials.gov pour construire un banc d’essai. Ils ont conçu quatre types de caractéristiques (caractéristiques statistiques, caractéristiques des mots-clés, caractéristiques des médicaments et caractéristiques d’intégration) pour caractériser l’administration des essais cliniques, l’éligibilité, les informations sur l’étude, les critères, les types de médicaments, les mots-clés de l’étude, ainsi que les caractéristiques d’intégration couramment utilisées dans l’état de la situation. -Apprentissage des machines à la pointe de la technologie. Au total, 693 caractéristiques dimensionnelles ont été créées pour représenter chaque essai clinique. À des fins de comparaison, les chercheurs ont utilisé quatre modèles : réseau de neurones, forêt aléatoire, XGBoost et régression logistique.
La sélection et le classement des caractéristiques ont montré que les caractéristiques des mots-clés dérivées des termes MeSH (rubriques des sujets médicaux) des rapports d’essais cliniques étaient les plus informatives pour la prédiction des essais COVID-19, suivies des caractéristiques des médicaments, des caractéristiques statistiques et des caractéristiques d’intégration. Bien que les caractéristiques des médicaments et les mots-clés de l’étude aient été les caractéristiques les plus informatives, les quatre caractéristiques sont essentielles pour une prédiction précise des essais.
En utilisant l’apprentissage et l’échantillonnage d’ensemble, le modèle utilisé dans cette étude a atteint plus de 0,87 aires sous la courbe (AUC) scores et plus de 0,81 précision équilibrée pour la prédiction, indiquant une grande efficacité de l’utilisation de méthodes de calcul pour la prédiction des essais cliniques COVID-19. Les résultats ont également montré des modèles uniques avec une précision équilibrée de 70 % et un score F1 de 50,49 %, ce qui suggère que la modélisation des essais cliniques soit préférable pour séparer les domaines de recherche ou les maladies.
« Les essais cliniques qui se sont arrêtés pour diverses raisons sont coûteux et représentent souvent une énorme perte de ressources. Comme de futures épidémies de COVID-19 sont probables même après le déclin de la pandémie actuelle, il est essentiel d’optimiser les efforts de recherche efficaces », a déclaré Stella Batalama, Ph.D. doyen, Faculté d’ingénierie et d’informatique. « L’apprentissage automatique et des approches informatiques basées sur l’IA ont été développées pour les applications de soins de santé COVID-19, et des techniques d’apprentissage en profondeur ont été appliquées au traitement de l’imagerie médicale pour prédire l’épidémie, suivre la propagation du virus et pour le diagnostic et le traitement de la COVID-19. La nouvelle approche développée par les professeurs Zhu et Maggie sera utile pour concevoir des approches informatiques pour prédire si un essai clinique COVID-19 sera terminé afin que les parties prenantes puissent tirer parti des prédictions pour planifier les ressources,
L’étude a été financée par la National Science Foundation, attribuée à Zhu.
Référence: Magdalyn E. Elkin, Xingquan Zhu. Understanding and predicting COVID-19 clinical trial completion vs. cessation. PLOS ONE, 2021; 16 (7): e0253789 DOI: 10.1371/journal.pone.0253789
