JMIR Publications פרסמה היום דוח על התפתחויות בפער הראיות בבטיחות התרופות במהלך ההריון במדור החדשות והפרספקטיבות שלה. ב"איך למידת מכונה יכולה לעזור לסגור פערי ראיות לבטיחות סמים בנשים בהריון", סופרת הבריאות מישל פלצ'י מראיינת את החוקרים הראשיים של שני פרויקטים המשתמשים בלמידה חישובית כדי לנתח מערכי נתונים גדולים של חשיפה ותוצאות לתרופות, ואז לזהות ולהעריך קישורים אפשריים.
משתתפות בהריון לא נכללו בניסויים קליניים
למחקר הרפואי יש בעיה רצינית עם ייצוג חסר, מדווח Falci; רק 4% מהניסויים הקליניים בעשור האחרון כללו נשים בהריון כמשתתפים. מגמה זו מתחילה בשנת 1977, כאשר מינהל המזון והתרופות האמריקני המליץ לא לכלול נשים בהריון, או נשים המסוגלות להיכנס להריון, בניסויים קליניים בשלב 1 ו-2, מה שהביא לפער בראיות לגבי בטיחות התרופות לנשים בהריון (ותרם לתת ייצוג רחב יותר של משתתפות במחקר). למרות שנעשו מאמצים לקבוע את בטיחות התרופות לנשים הרות ומניקות, אלה לא הצליחו בפועל.
סגירת הפער עם למידת מכונה
פלצ'י מתבוננת מקרוב בשני מאמצים חדשים לסגור פער ראיות זה: פרויקט BOOST-HP, המשתמש בגישה מבוססת עצים לכריית נתונים; ומחקר BIONIC, המשלב הסקה סיבתית ולמידת מכונה. כל גישה משתמשת בלמידת מכונה כדי לבצע את המשימות הכבדות של ניתוח מערכי נתונים גדולים, מה שמאפשר לחוקרים לנטר ולהעריך את הקשרים הסיבתיים הפוטנציאליים.
עם זאת, סוג זה של מחקר בסיוע בינה מלאכותית ייהנה באופן אידיאלי מעוד נתונים, לדברי מנהיגת המחקר של BIONIC, Cristina Longo-plus, מנה בריאה של זהירות. שקיפות היא המפתח, כפי שמציינת Almut G. Winterstein, חוקרת ראשית בפרויקט BOOST-HP: היא והצוות שלה משתמשים במודל AI המאפשר להם להתחקות אחר נתיבי ההחלטה המובילים להערכות המודלים. אם הם היו משתמשים במודל של 'קופסה שחורה' – מערכת שפעילותה הפנימית אטומה או מעורפלת – הם היו מסתכנים בהחמצת שגיאות אפידמיולוגיות מכריעות. תכנון מתחשב נוסף של מודלים של למידת מכונה, כמו גם מערך נתונים גדול ומקיף יותר, בכל זאת טומן בחובו הבטחה רבה לסגירת פער הראיות הזה.
