Makale
Gözden kaçan kanıtları ve manuel yeniden çalışmayı azaltmak için yapay zeka ile literatür arama kalitesini artırma
-
Shilpa Patil, PhD
-
Angela Vogt-Eisele, PhD
Yapay zeka ile literatür arama kalitesini iyileştirmek, gürültüyü filtrelerken kritik yayınları kaçırma riskini azaltmaya yardımcı olabilir
Kamusal alanda mevcut olan bilimsel literatürün gözden geçirilmesi, klinik ve klinik olmayan genel bakışlar, yetim ilaç tanımları veya pediatrik araştırma planları dahil olmak üzere çok sayıda düzenleyici belgenin hazırlanması için merkezi bir gerekliliktir. Bu belgeler, bilimsel literatürde mevcut olan bilgilerin kapsamlı ve güncel bir özetini talep etmektedir.
Düzenleyiciler, tekrarlanabilir sistematik bir literatür taraması isteyebilir, yani başvuru sahibi, aranan tam veritabanları/platformlar, tam arama dizeleri (tüm anahtar kelimeler/kontrol edilen terimler), tarih aralıkları ve uygulanan diğer sınırlar/filtreler, aramaların yapıldığı tarih(ler) ve aramanın tekrarlanabilmesi ve doğrulanabilmesi için kayıt sayıları/sonuçları hakkında bilgi sağlayabilmelidir.1,2
Konuya bağlı olarak, birincil aramada alınan bilgi miktarı kapsamlı olabilir ve sıkıcı ve zaman alıcı manuel aramalar gerektirir. Chatbot sorularını ve yanıtlarını kullanma girişimlerinin güvenilmez olduğu kanıtlanmıştır, ancak genel veritabanlarında bulunan filtre işlevleri yeterince spesifik değildir ve ya çok fazla gürültü döndürme (yani, bilgileri ilgili makalelere verimli bir şekilde daraltmama) ya da önemli bilgileri kaçırma riski taşır.
Düzenleyiciler, tekrarlanabilir sistematik bir literatür taraması isteyebilir, yani başvuru sahibi, aranan tam veritabanları/platformlar, tam arama dizeleri (tüm anahtar kelimeler/kontrol edilen terimler), tarih aralıkları ve uygulanan diğer sınırlar/filtreler, aramaların yapıldığı tarih(ler) ve aramanın tekrarlanabilmesi ve doğrulanabilmesi için kayıt sayıları/sonuçları hakkında bilgi sağlayabilmelidir.1,2
Konuya bağlı olarak, birincil aramada alınan bilgi miktarı kapsamlı olabilir ve sıkıcı ve zaman alıcı manuel aramalar gerektirir. Chatbot sorularını ve yanıtlarını kullanma girişimlerinin güvenilmez olduğu kanıtlanmıştır, ancak genel veritabanlarında bulunan filtre işlevleri yeterince spesifik değildir ve ya çok fazla gürültü döndürme (yani, bilgileri ilgili makalelere verimli bir şekilde daraltmama) ya da önemli bilgileri kaçırma riski taşır.
Ayrıca, sohbet robotları doğrulanabilir yanıtlar sağlamaz, eksiksizliği sağlayamaz ve ayrıca daha sonraki bir aşamada izlenebilirlikle ilgili zorluklar sunar. Yapay zeka literatür madenciliği araçları bu sorunları ele alma potansiyeline sahiptir. Yalnızca belirli terimlerin bir kombinasyonundan bahseden makaleleri filtrelemek yerine, terimler arasında mantıksal bağlantılar kurabilmek, tanımlanmış bilimsel sorular üzerinde spesifik, hedefli aramalara izin verir ve ilgili bilgileri kaçırma riskini azaltır.
Odaklanmış ve kapsamlı literatür setleri, düzenleyici ekiplerin, bir tıbbi ürünün endikasyonları ve kontrendikasyonları, ilaç etkileşimlerinin tartışılması veya tanımlanmış hasta popülasyonlarında ürünün güvenlik marjı gibi ilgili konuyu destekleyen iyi bilgilendirilmiş, incelikli belgeler oluşturmasına olanak tanır.
Yapay zeka literatür madenciliği, araştırmacılara verimliliği ve duyarlılığı artırmada nasıl yardımcı olur?
1. Büyük hacimli literatür arasında önemli makaleler bulma
Semantik bir arama aracı uygulamak, istenen konuyla ilgili makaleleri büyük bir doğruluk ve verimlilikle tanımlayabilir, bu da özellikle çok sayıda birincil isabet içeren aramalar için çok önemlidir.
Bir pilot çalışmada Cencora, aktif madde A ve birlikte uygulanan birkaç bileşiği (B-E) içeren ilaç-ilaç etkileşimlerini araştırmak için dahili ve doğrulanmış bir literatür madenciliği aracından yararlanmıştır. Geleneksel anahtar kelime tabanlı birincil arama, büyük ölçüde A'nın B ile iyi tanımlanmış etkileşimi üzerine kapsamlı yayınlar tarafından yönlendirilen 7.000'den fazla makale aldı.
Buna karşılık, A ve C-E arasındaki etkileşimleri belirlemek zordu, çünkü standart arama motoru öncelikle, C-E'nin A ile etkileşim bağlamında değil, yalnızca ikincil sözler olarak göründüğü A ve B'nin etkileşimini açıklayan makaleleri ortaya çıkardı.
Semantik arama aracının kullanılması, A'nın C, D ve E ile ilaç-ilaç etkileşimlerini ayrı ayrı tanımlayan makaleler için odaklanmış bir aramayı mümkün kıldı. Bu yaklaşımla, manuel doğrulama için birincil isabet sayısını büyük ölçüde daraltmak mümkün oldu - ilk PubMed sorgusunda 7.000'den yaklaşık 950'ye. Daha da önemlisi, araç, önceki bir manuel aramada gözden kaçan, seyrek çalışılmış ve nadir etkileşimlerle ilgili yayınları belirledi.
Genel olarak, bu pilot uygulama, yapay zekanın literatür aramalarını iyileştirmede oynayabileceği önemli rolü göstermektedir: aşırı kısıtlayıcı filtrelere güvenmeden çok büyük birincil isabet kümelerinin yüksek verimli taranmasını sağlar ve kayıtları, terimlerin basit bir şekilde bir arada bulunmasından ziyade kavramlar arasındaki mantıksal bir ilişkiye (örneğin, A ve C/D/E arasındaki gerçek bir etkileşim) dayalı olarak sıralayarak kesinliği artırır.
Bir pilot çalışmada Cencora, aktif madde A ve birlikte uygulanan birkaç bileşiği (B-E) içeren ilaç-ilaç etkileşimlerini araştırmak için dahili ve doğrulanmış bir literatür madenciliği aracından yararlanmıştır. Geleneksel anahtar kelime tabanlı birincil arama, büyük ölçüde A'nın B ile iyi tanımlanmış etkileşimi üzerine kapsamlı yayınlar tarafından yönlendirilen 7.000'den fazla makale aldı.
Buna karşılık, A ve C-E arasındaki etkileşimleri belirlemek zordu, çünkü standart arama motoru öncelikle, C-E'nin A ile etkileşim bağlamında değil, yalnızca ikincil sözler olarak göründüğü A ve B'nin etkileşimini açıklayan makaleleri ortaya çıkardı.
Semantik arama aracının kullanılması, A'nın C, D ve E ile ilaç-ilaç etkileşimlerini ayrı ayrı tanımlayan makaleler için odaklanmış bir aramayı mümkün kıldı. Bu yaklaşımla, manuel doğrulama için birincil isabet sayısını büyük ölçüde daraltmak mümkün oldu - ilk PubMed sorgusunda 7.000'den yaklaşık 950'ye. Daha da önemlisi, araç, önceki bir manuel aramada gözden kaçan, seyrek çalışılmış ve nadir etkileşimlerle ilgili yayınları belirledi.
Genel olarak, bu pilot uygulama, yapay zekanın literatür aramalarını iyileştirmede oynayabileceği önemli rolü göstermektedir: aşırı kısıtlayıcı filtrelere güvenmeden çok büyük birincil isabet kümelerinin yüksek verimli taranmasını sağlar ve kayıtları, terimlerin basit bir şekilde bir arada bulunmasından ziyade kavramlar arasındaki mantıksal bir ilişkiye (örneğin, A ve C/D/E arasındaki gerçek bir etkileşim) dayalı olarak sıralayarak kesinliği artırır.
Arama daraltıldıktan sonra, tanımlanan materyalin manuel olarak doğrulanması gerekir. Yapay zeka, bu görevin verimliliğini büyük ölçüde artırırken, ayrıca her makale için kısa bir dahil etme veya hariç tutma gerekçesi oluşturur. İnsan gözden geçirenler daha sonra gerekçeyi kaynak metindeki ilgili pasajlarla karşılaştırarak kararı onaylayabilir veya yanlış pozitifleri veya yanlış negatifleri belirleyebilir. Döngüde bir insana sahip olmak, modeli kontrol etmenin ve iyileştirmenin anahtarıdır.
2. Karmaşık mantıksal ilişkileri sorgulayabilme
Yukarıda özetlendiği gibi, literatür taraması için basit anahtar kelime eşleştirmeden ziyade anlamsal anlayış (doğal dil işleme veya NLP) kullanılır ve yanlış pozitif sonuçları ortadan kaldırmak için bağlamsal alaka düzeyinin değerlendirilmesine olanak tanır.
Ayrıca, elde edilen birincil isabet havuzu, örneğin farklı hasta popülasyonlarında farmakokinetik, spesifik güvenlik yönleri veya belirli uç noktaların araştırılması gibi tanımlanmış yönler için daha fazla aranabilir. Bu, ilgili konuda mevcut olan bilgiler hakkında, bu bilgileri sağlayan orijinal yayına bağlı yapılandırılmış bir çıktı sağlar.
Ayrıca, elde edilen birincil isabet havuzu, örneğin farklı hasta popülasyonlarında farmakokinetik, spesifik güvenlik yönleri veya belirli uç noktaların araştırılması gibi tanımlanmış yönler için daha fazla aranabilir. Bu, ilgili konuda mevcut olan bilgiler hakkında, bu bilgileri sağlayan orijinal yayına bağlı yapılandırılmış bir çıktı sağlar.
3. Denetlenebilirlik ve izlenebilirlik
AI ayrıca, uygulanan anahtar kelimelerin ve filtrelerin tam bir listesini ve düzenleyici sunumlar için sistematik literatür taramaları için talep edildiği gibi her adımda tanımlanan makale sayısını sağlar. Ortaya çıkan makalelerle eşleştirilen dahil etme ve hariç tutma kriterlerinin yanı sıra alaka düzeyi kriterleri, gelecekteki herhangi bir analiz ve inceleme için izlenebilirlik sağlar. Örneğin, "emilimi etkileyen ilaç-ilaç etkileşimleri", "X endikasyonunda etkinliği etkileyen ilaç-ilaç etkileşimleri", "advers olaylarla ilişkili ilaç-ilaç etkileşimleri" vb. konuları inceleyen makaleleri bağımsız olarak seçmek mümkündür.
Sürece değer katan yapay zeka aracı, dahil etme ve hariç tutma için insan incelemeci tarafından onaylanabilen veya reddedilebilen objektif, tekrarlanabilir bir gerekçe sağladı. Ayrıca, bir ürünün dahil edilmesi veya hariç tutulması için gerekçenin yoğunlaştırılmış açıklaması, seçimin uzman tarafından hızlı ve verimli bir şekilde manuel olarak doğrulanmasına olanak tanır ve dahil etme ve hariç tutma kriterlerinin arkasındaki gerekçenin izlenebilirlik ve denetlenebilirlik için kaydedilmesini sağlar.
Arama kriterlerine ve hangi makalelerin seçildiğine veya hariç tutulduğuna ilişkin yapay zeka tarafından oluşturulan denetim izi, yapay zekanın önemli bir değerini göstermektedir: uygun gözetimi sağlamak ve nihai literatür seçiminin tüm sorumluluğunu yönetmek için uzmanları serbest bırakmak.
Sürece değer katan yapay zeka aracı, dahil etme ve hariç tutma için insan incelemeci tarafından onaylanabilen veya reddedilebilen objektif, tekrarlanabilir bir gerekçe sağladı. Ayrıca, bir ürünün dahil edilmesi veya hariç tutulması için gerekçenin yoğunlaştırılmış açıklaması, seçimin uzman tarafından hızlı ve verimli bir şekilde manuel olarak doğrulanmasına olanak tanır ve dahil etme ve hariç tutma kriterlerinin arkasındaki gerekçenin izlenebilirlik ve denetlenebilirlik için kaydedilmesini sağlar.
Arama kriterlerine ve hangi makalelerin seçildiğine veya hariç tutulduğuna ilişkin yapay zeka tarafından oluşturulan denetim izi, yapay zekanın önemli bir değerini göstermektedir: uygun gözetimi sağlamak ve nihai literatür seçiminin tüm sorumluluğunu yönetmek için uzmanları serbest bırakmak.
4. Tahmine dayalı analiz ve içgörüler için veri yapılandırması
Yapay zeka ayrıca, yaş grubuna göre güvenlik verileri veya mevcut çalışmalardaki farmakokinetik ilaç-ilaç etkileşimlerinin bir özeti gibi ilgili makalelerden elde edilen temel veri öğelerinin sistematik ve yapılandırılmış bir analizini oluşturur. Bu yapılandırılmış veriler, örneğin bir tıbbi ürünün formülasyonunun veya belirli hasta popülasyonlarındaki güvenilirliğinin tartışılmasını desteklemek için kullanılabilir. Ayrıca, kanıt düzeyi makale türüne ve çalışma boyutuna veya tasarımına vb. göre haritalanabilir.
Literatür verilerinin bu şekilde yapılandırılmış, derinlemesine analizi, özellikle düzenleyiciler güvenlik bağlamı veya destekleyici kanıtlar hakkında açıklama talep ettiğinde, yanıt hazırlığını iyileştirebilir.
Literatür verilerinin bu şekilde yapılandırılmış, derinlemesine analizi, özellikle düzenleyiciler güvenlik bağlamı veya destekleyici kanıtlar hakkında açıklama talep ettiğinde, yanıt hazırlığını iyileştirebilir.
Son:
Literatür taramalarının iyileştirilmesi ve mevzuat yetersizliği riskinin azaltılması
Yapay zeka destekli literatür madenciliği, yayınlanmış literatürden kapsamlı, güncel bilimsel kanıtlar gerektiren düzenleyici belgelerin hazırlanmasında derinlik ve savunulabilirlik oluşturmada önemli bir rol oynayabilir. Bu araç, anlamsal anlayışa dayalı olarak ilgili makalelerin seçildiği kapsamlı birincil literatür taramalarını mümkün kılarak, eleştirel yayınları kaçırma riskini azaltırken etkinliği büyük ölçüde artırır. Seçim sürecinin tüm aşamalarında insan gözetimi mevcuttur.
İyi tasarlanmış yapay zeka iş akışları, arama stratejilerini, dahil etme ve hariç tutma mantığını ve makale önceliklendirme mantığını kaydederek izlenebilirliği ve denetlenebilirliği de artırır. Döngüde insan doğrulaması ile eşleştirildiğinde, bu yaklaşım tutarlı, tekrarlanabilir kararları destekler ve manuel taramanın doğasında bulunan değişkenliği azaltır. Son olarak, çıkarılan veri öğelerinin ilgili yayınlarda yapılandırılması, daha derin analizler için bir temel oluşturur (örneğin, alt popülasyon içgörüleri, kanıt derecelendirme, eğilim tespiti) ve düzenleyici anlatıları ve yanıt hazırlığını güçlendirir.
Genel olarak konuşursak, yapay zeka destekli literatür madenciliği, düzenleyici sunumları desteklemek için kanıt tabanının eksiksizliğini ve kalitesini önemli ölçüde artırabilir ve böylece inceleme döngüsündeki eksiklik riskini büyük ölçüde azaltabilir.
İyi tasarlanmış yapay zeka iş akışları, arama stratejilerini, dahil etme ve hariç tutma mantığını ve makale önceliklendirme mantığını kaydederek izlenebilirliği ve denetlenebilirliği de artırır. Döngüde insan doğrulaması ile eşleştirildiğinde, bu yaklaşım tutarlı, tekrarlanabilir kararları destekler ve manuel taramanın doğasında bulunan değişkenliği azaltır. Son olarak, çıkarılan veri öğelerinin ilgili yayınlarda yapılandırılması, daha derin analizler için bir temel oluşturur (örneğin, alt popülasyon içgörüleri, kanıt derecelendirme, eğilim tespiti) ve düzenleyici anlatıları ve yanıt hazırlığını güçlendirir.
Genel olarak konuşursak, yapay zeka destekli literatür madenciliği, düzenleyici sunumları desteklemek için kanıt tabanının eksiksizliğini ve kalitesini önemli ölçüde artırabilir ve böylece inceleme döngüsündeki eksiklik riskini büyük ölçüde azaltabilir.
*Kaynaklar aşağıda devam ediyor
Yazarlar hakkında:
Dr. Shilpa Patil, Cencora'nın dijital inovasyon grubunda Kıdemli Bilim İnsanıdır. Onkolojide ilaç keşfi, biyobelirteç araştırması ve yapay zeka destekli kişiselleştirilmiş tıp konularında uzmanlaşmış, translasyonel araştırma ve sağlık hizmetleri alanında sekiz yıldan fazla deneyime sahiptir. Shilpa ve ekibi, sunulan düzenleyici uygulamalara ve danışmanlık hizmetlerine değer ve verimlilik katmayı amaçlayan yapay zeka tabanlı çözümleri tanımlamak ve oluşturmak için çalışıyor.
Dr. Angela Vogt-Eisele, Cencora'da CDS Direktörü, Global Tıbbi Yazım Ekip Lideridir. Angela, 15 yılı aşkın bir süredir ilaç endüstrisinde çalışmakta ve beşeri tıbbi ürünler için klinik olmayan ve klinik geliştirme programlarını desteklemektedir. Angela ve küresel yazım ekibi, küçük moleküllerden biyolojiklere ve AMTP'lere kadar modaliteler arasında çok çeşitli düzenleyici belgeleri yazma ve güncelleme konusunda güçlü bir geçmişe sahiptir ve şu anda Cencora dijital inovasyon grubu ile iş birliği içinde bu faaliyetleri bir sonraki seviyeye taşımak için yapay zeka özellikli yetenekleri uygulamaktadır.
Dr. Angela Vogt-Eisele, Cencora'da CDS Direktörü, Global Tıbbi Yazım Ekip Lideridir. Angela, 15 yılı aşkın bir süredir ilaç endüstrisinde çalışmakta ve beşeri tıbbi ürünler için klinik olmayan ve klinik geliştirme programlarını desteklemektedir. Angela ve küresel yazım ekibi, küçük moleküllerden biyolojiklere ve AMTP'lere kadar modaliteler arasında çok çeşitli düzenleyici belgeleri yazma ve güncelleme konusunda güçlü bir geçmişe sahiptir ve şu anda Cencora dijital inovasyon grubu ile iş birliği içinde bu faaliyetleri bir sonraki seviyeye taşımak için yapay zeka özellikli yetenekleri uygulamaktadır.
Yasal Uyarı:
Bu makalede verilen bilgiler yasal tavsiye niteliğinde değildir. Cencora, Inc., okuyucuları tartışılan konularla ilgili mevcut bilgileri gözden geçirmeye ve bunlarla ilgili kararlar alırken kendi deneyim ve uzmanlıklarına güvenmeye şiddetle teşvik eder.
Ekibimizle iletişime geçin
Önde gelen değer uzmanlarından oluşan ekibimiz, kanıtları, politika içgörülerini ve pazar istihbaratını etkili küresel pazar erişim stratejilerine dönüştürmeye kendini adamıştır. Gelin, günümüzün karmaşık sağlık ortamında güvenle yol almanıza biz yardımcı olalım. Hedeflerinizi nasıl destekleyebileceğimizi öğrenmek için bize ulaşın.
Kaynak
1. İyi Farmakovijilans Uygulamaları Rehberi (GVP), HMA, EMA, Aralık 2013. https://www.ema.europa.eu/en/documents/scientific-guideline/guideline-good-pharmacovigilance-practices-gvp-module-vii-periodic-safety-update-report_en.pdf
2. Endüstri için Rehberlik, Bölüm 505(b)(2) Kapsamındaki Uygulamalar, FDA, Ekim 1999. https://www.fda.gov/media/72419/download
.jpg)