בעידן שבו בזבוז מחקרי במדעי הרפואה מגיע למיליארדים, חוקרים מציגים מדען AI משותף שמשנה את חוקי המשחק. הפלטפורמה מבוססת על פורמליזציה מפורשת של PICOS – אוכלוסייה, התערבות, השוואה, תוצאה ועיצוב מחקר – ומשלבת אחסון יחסי, חיפוש סמנטי מבוסס וקטורים וגרף ידע ב-Neo4j. היא מאפשרת סינתוז ידע שקוף וקנה מידה גדול, ומתמודדת עם בעיות כמו מחקרים כפולים ודיווח חלקי. הערכה נערכה על קורפוסים של דמנציה-ספורט ומחלות לא מדבקות, והתוצאות מרשימות.
המערכת מבצעת סיווג אוטומטי של עיצוב מחקר ועמידה ב-PICOS מטקסטי כותרות ותקצירים. מודל בסיסי של Bi-LSTM השיג 87% דיוק בזיהוי עמידה ב-PICOS, בעוד מסווג רב-משימות מבוסס טרנספורמר, מותאם מ-PubMedBERT, הגיע ל-95.7% דיוק בסיווג עיצוב מחקר – עם התאמה גבוהה להערות מומחים. לסינתוז טקסט מלא, נעשה שימוש ביצירת תוכן מוגברת חיפוש (RAG) המשלבת חיפוש וקטורי וגרפי, לצד BERTopic לזיהוי מבנה נושאי, כפילויות ופערים.
RAG עלה על יצירה ללא חיפוש בשאילתות הדורשות אילוצים מובנים, שילוב בין-מחקרי והיגיון מבוסס גרף, בעוד גישות ללא חיפוש התחרו בהצלחה בסיכומים כלליים. מודל הנושאים חשף כפילויות נושאיות משמעותיות ואזורים מחקריים לא מנוצלים. התוצאות מוכיחות ש-NLP מודע PICOS ושקוף משפר את קנה המידה, השקיפות והיעילות של סינתוז ראיות.
הארכיטקטורה ניטרלית לתחום ומציעה מסגרת מעשית להפחתת בזבוז מחקרי ברחבי דיסציפלינות ביומדיקליות. עבור מנהלי עסקים ומנהלי R&D בישראל, זה אומר כלי חדש לבדיקת השקעות במחקר רפואי, זיהוי הזדמנויות ושילוב ראיות במהירות. בהשוואה לשיטות מסורתיות, המערכת חוסכת זמן ומשאבים, במיוחד בתחומים כמו רפואת ספורט או מחלות כרוניות.
מה זה אומר לעתיד? מדען AI כזה יכול להפוך לסטנדרט בסינתוז ראיות, להאיץ חדשנות רפואית ולהפחית בזבוז. האם חברות ישראליות יאמצו כלים כאלה כדי לשפר את קבלת ההחלטות? קראו את המחקר המלא ב-arXiv.