预测哪学进展会转化为临床应用 美国国立卫生研究院开发了一种人工智能机器学习模型,用于预测哪些科学进展最终可能会转化为临床应用,该项工作在10月份发表在开放存取期刊PLOS Biology上的Meta-Research文章中进行了介绍,旨在缩短科学发现与临床应用之间有时长达数十年的时间间隔,该方法确定了将来的临床试验或指南会引用研究文章的可能性。 APT指标具有加速生物医学进步的潜力 这些预测在发布后只有两年的时间里非常准确,研究人员和决策者可以使用APT值将注意力集中在具有强大翻译潜力的科学领域,尽管单靠数字绝对不可以代替人类专家的评估,但作为数据驱动决策的一个组成部分,APT指标具有加速生物医学进步的潜力,计算APT值的模型根据研究文章和引用它们的文章的内容进行预测,诸如APT之类的度量标准研究和开发的长期障碍是,此类引文数据一直隐藏在专有的,限制性的且通常成本高昂的许可协议之后,为了消除对科学界的这种障碍,提高透明度并促进可重复性。 OPA团队鼓励使用iCite改进研究评估 OPA汇总了来自公共资源的引文数据,以创建一个开放的引文集(NIH-OCC),NIH-OCC目前包含超过4.2亿个引用链接,随着引用量的不断积累,它将每月更新一次,对于自2010年以来的出版物,NIH-OCC已经比领先的专有引文数据来源更全面,NIH-OCC的引文数据可用于计算APT值和相对引文比率(RCR),文章发表后,APT值和NIH-OCC将作为iCite网络工具的新组件免费公开发布,并将继续作为RCR数据的主要来源,OPA团队鼓励使用iCite改进研究评估和决策制定,从而有助于优化科学企业。