Das Streben nach Genauigkeit

Forscher sagen, dass künstliche Intelligenz und maschinelles Lernen die wissenschaftliche Peer Review verbessern könnten

Während die COVID-19-Pandemie die Welt erfasst hat, haben Forscher jede Woche Hunderte von Veröffentlichungen veröffentlicht, in denen ihre Ergebnisse berichtet werden – von denen viele keinem gründlichen Peer-Review-Prozess unterzogen wurden, um ihre Zuverlässigkeit zu beurteilen.

In einigen Fällen hat schlecht validierte Forschung die öffentliche Ordnung massiv beeinflusst, wie beispielsweise als ein französisches Team berichtete, dass COVID-Patienten durch eine Kombination von Hydroxychloroquin und Azithromycin geheilt wurden. Die Behauptung wurde weithin bekannt gemacht, und bald wurden US-Patienten diese Medikamente im Rahmen einer Notfallgenehmigung verschrieben. Weitere Forschungen mit größeren Patientenzahlen haben jedoch ernsthafte Zweifel an diesen Behauptungen aufkommen lassen.

Wie können Forscher, Kliniker und politische Entscheidungsträger bei so vielen COVID-bezogenen Informationen, die jede Woche veröffentlicht werden, Schritt halten? 

In einem Kommentar, der diese Woche in . veröffentlicht wurde Nature Biotechnology, Wissenschaftler Tudor Oprea, MD, PhD, der University of New Mexico, und seine Kollegen, von denen viele in Unternehmen für künstliche Intelligenz (KI) arbeiten, argumentieren, dass KI und maschinelles Lernen das Potenzial haben, Forschern dabei zu helfen, die Spreu vom Weizen zu trennen.

Oprea, Professor für Medizin und Pharmazeutische Wissenschaften und Leiter der UNM-Abteilung für Translationale Informatik, stellt fest, dass das Gefühl der Dringlichkeit, einen Impfstoff zu entwickeln und wirksame Behandlungen für das Coronavirus zu entwickeln, viele Wissenschaftler dazu veranlasst hat, den traditionellen Peer-Review-Prozess zu umgehen, indem sie „Preprints“ veröffentlichen “ – vorläufige Versionen ihrer Arbeit – online.

Dies ermöglicht zwar eine schnelle Verbreitung neuer Erkenntnisse, „das Problem entsteht jedoch, wenn Behauptungen über bestimmte Medikamente, die nicht experimentell validiert wurden, in der Preprint-Welt auftauchen“, sagt Oprea. Unter anderem können schlechte Informationen dazu führen, dass Wissenschaftler und Kliniker Zeit und Geld damit verschwenden, blinden Spuren nachzujagen.

KI und maschinelles Lernen können enorme Rechenleistung nutzen, um viele der Behauptungen zu überprüfen, die in einem Forschungspapier aufgestellt werden, schlagen die Autoren vor, eine Gruppe öffentlicher und privater Forscher aus den USA, Schweden, Dänemark, Israel, Frankreich, Großbritannien, Hongkong, Italien und China unter der Leitung von Jeremy Levin, Vorsitzender der Biotechnology Innovation Organization, und Alex Zhavoronkov, CEO von InSilico Medicine.

„Ich denke, da liegt ein enormes Potenzial“, sagt Oprea. „Ich denke, wir stehen an der Schwelle zur Entwicklung von Tools, die den Peer-Review-Prozess unterstützen.“

Obwohl die Tools noch nicht vollständig ausgereift sind, „werden wir sehr, sehr nahe daran sein, dass automatisierte Systeme Tonnen von Veröffentlichungen verarbeiten und nach Diskrepanzen suchen können“, sagt er. „Mir ist kein solches System bekannt, das derzeit existiert, aber wir schlagen vor, dass dies mit angemessener Finanzierung verfügbar werden kann.“

Text Mining, bei dem ein Computer Millionen von Textseiten nach bestimmten Mustern durchkämmt, sei bereits „enorm hilfreich“, sagt Oprea. "Da machen wir Fortschritte."

Seit der COVID-Epidemie hat Oprea selbst fortschrittliche Computermethoden verwendet, um vorhandene Medikamente mit potenzieller antiviraler Aktivität zu identifizieren, die aus einer Bibliothek mit Tausenden von Kandidaten ausgewählt wurden.

„Wir sagen nicht, dass wir ein Heilmittel gegen Peer-Review-Mangel haben, aber wir sagen, dass ein Heilmittel in Reichweite ist und wir die Art und Weise, wie das System derzeit implementiert wird, verbessern können“, sagt er. „Bereits im nächsten Jahr können wir möglicherweise viele dieser Daten verarbeiten und als zusätzliche Ressourcen zur Unterstützung des Peer-Review-Prozesses dienen.“