Novo Método Previsto se os Testes Clínicos COVID-19 Falharem ou Forem Bem-Sucedidos

Para vencer a batalha contra o COVID-19, estudos para desenvolver vacinas, medicamentos, dispositivos e medicamentos readaptados são necessários com urgência. Ensaios clínicos randomizados são usados ​​para fornecer evidências de segurança e eficácia e compreender melhor esse vírus novo e em evolução. Em 15 de julho, mais de 6.180 ensaios clínicos COVID-19 foram registrados por meio do ClinicalTrials.gov, o registro nacional e banco de dados para estudos clínicos privados e públicos conduzidos em todo o mundo. Saber quais têm probabilidade de sucesso é fundamental.

Pesquisadores da Faculdade de Engenharia e Ciência da Computação da Florida Atlantic University são os primeiros a modelar a conclusão do COVID-19 versus a interrupção em testes clínicos usando algoritmos de aprendizado de máquina e aprendizado por conjunto. O estudo, publicado na  PLOS ONE , fornece os recursos mais abrangentes para relatórios de ensaios clínicos, incluindo administração de modelos de ensaios, informações e design do estudo, elegibilidade, palavras-chave, medicamentos e outros recursos.

Esta pesquisa mostra que os métodos computacionais podem fornecer modelos eficazes para entender a diferença entre os ensaios COVID-19 concluídos e os encerrados. Além disso, esses modelos também podem prever o status do estudo COVID-19 com precisão satisfatória.

Como COVID-19 é uma doença relativamente nova, muito poucos estudos foram encerrados formalmente. Portanto, os pesquisadores consideraram três tipos de testes para o estudo como testes de cessação: encerrado, retirado e suspenso. Esses ensaios representam esforços de pesquisa que foram interrompidos / interrompidos por motivos específicos e representam esforços de pesquisa e recursos que não foram bem-sucedidos.

“O objetivo principal de nossa pesquisa foi prever se um ensaio clínico COVID-19 será concluído ou encerrado, retirado ou suspenso. Os ensaios clínicos envolvem uma grande quantidade de recursos e tempo, incluindo planejamento e recrutamento de seres humanos”, disse Xingquan “Hill” Zhu, Ph.D., autor sênior e professor do Departamento de Engenharia Elétrica e de Computação e Ciência da Computação, que conduziu a pesquisa com a primeira autora Magdalyn “Maggie” Elkin, uma Ph.D. do segundo ano. estudante de ciência da computação que também trabalha em tempo integral. “Se pudermos prever a probabilidade de um ensaio ser encerrado ou não no futuro, isso ajudará as partes interessadas a planejar melhor seus recursos e procedimentos. Eventualmente, essas abordagens computacionais podem ajudar nossa sociedade a economizar tempo e fontes para combater o COVID- global 19 pandemia.

Para o estudo, Zhu e Elkin coletaram 4.441 ensaios COVID-19 de ClinicalTrials.gov para construir um banco de ensaio. Eles projetaram quatro tipos de recursos (recursos de estatísticas, recursos de palavras-chave, recursos de medicamentos e recursos de incorporação) para caracterizar a administração do ensaio clínico, elegibilidade, informações do estudo, critérios, tipos de medicamentos, palavras-chave do estudo, bem como recursos de incorporação comumente usados ​​no estado de aprendizado de máquinas de última geração. No total, 693 recursos dimensionais foram criados para representar cada ensaio clínico. Para fins de comparação, os pesquisadores usaram quatro modelos: Rede Neural, Floresta Random, XGBoost e Regressão Logística.

A seleção e classificação de recursos mostraram que os recursos de palavras-chave derivados dos termos MeSH (cabeçalhos de assuntos médicos) dos relatórios de ensaios clínicos foram os mais informativos para a previsão do ensaio COVID-19, seguidos por recursos de medicamentos, recursos de estatísticas e recursos de incorporação. Embora os recursos de medicamentos e as palavras-chave do estudo tenham sido os recursos mais informativos, todos os quatro recursos são essenciais para uma previsão precisa do ensaio.

Usando ensemble learning e amostragem, o modelo usado neste estudo alcançou mais de 0,87 áreas sob a curva (AUC) pontuações e mais de 0,81 acertos balanceados para predição, indicando alta eficácia do uso de métodos computacionais para predição de ensaio clínico COVID-19. Os resultados também mostraram modelos únicos com uma precisão balanceada de 70 por cento e uma pontuação F1 de 50,49 por cento, sugerindo que a modelagem de ensaios clínicos é melhor ao segregar áreas de pesquisa ou doenças.

“Os ensaios clínicos que foram interrompidos por vários motivos são caros e muitas vezes representam uma tremenda perda de recursos. Como os surtos futuros de COVID-19 são prováveis ​​mesmo após o declínio da pandemia atual, é fundamental otimizar os esforços de pesquisa eficientes”, disse Stella Batalama , Ph.D. reitor da Faculdade de Engenharia e Ciência da Computação. “Aprendizado de máquina e abordagens computacionais baseadas em IA foram desenvolvidas para aplicativos de saúde COVID-19, e técnicas de aprendizado profundo foram aplicadas ao processamento de imagens médicas para prever surtos, rastrear a disseminação de vírus e para diagnóstico e tratamento de COVID-19.

O estudo foi financiado pela National Science Foundation, concedido a Zhu.

Referência : Magdalyn E. Elkin, Xingquan Zhu. Compreender e prever a conclusão do ensaio clínico COVID-19 vs. cessação . PLOS ONE , 2021; 16 (7): e0253789 DOI:  10.1371 / journal.pone.0253789