A mineração de texto pode acelerar a curadoria de biomarcadores clinicamente relevantes para o banco de dados CIViC?
Resposta curta: Sim. O estudo desenvolveu o CIViCmine, uma base de conhecimento construída por mineração de texto e aprendizado supervisionado, que extraiu 121.589 sentenças relevantes e mais de 87.412 biomarcadores associados a 8035 genes, 337 drogas e 572 tipos de câncer, integrada ao CIViC para priorizar a curadoria de biomarcadores clinicamente relevantes.
Resposta
A curadoria manual de evidências para bases de conhecimento em oncologia de precisão, como o CIViC, é um processo demorado e dependente de especialistas. Para ampliar a cobertura e agilizar esse trabalho, os autores propuseram o uso de mineração de texto sobre toda a literatura publicada, extraindo biomarcadores com relevância clínica.
O método envolveu a anotação, por especialistas em genômica do câncer, de sentenças que discutiam biomarcadores e suas associações clínicas, com bom acordo entre anotadores. A partir dessas anotações, foi construída a base de conhecimento CIViCmine, utilizando uma abordagem de aprendizado supervisionado.
Como resultado, foram extraídas 121.589 sentenças relevantes de resumos do PubMed e de textos completos do PubMed Central Open Access. O CIViCmine contém mais de 87.412 biomarcadores associados a 8035 genes, 337 drogas e 572 tipos de câncer, provenientes de 25.818 resumos e 39.795 publicações de texto completo.
A integração com o CIViC permite oferecer uma lista priorizada de biomarcadores curáveis e clinicamente relevantes, além de um recurso útil para outras bases de conhecimento e para analistas de câncer de precisão. Todos os dados são públicos e distribuídos com licença Creative Commons Zero.
Para o médico, isso significa acesso a uma ferramenta que pode auxiliar na identificação de evidências sobre biomarcadores, mas que não substitui a interpretação clínica individualizada. A base está disponível publicamente e pode ser consultada para embasar decisões, sempre com senso crítico.
O que o estudo mostrou
O estudo utilizou uma abordagem de aprendizado supervisionado para construir a base CIViCmine, após anotação de sentenças por especialistas em genômica do câncer. Foram extraídas 121.589 sentenças relevantes de resumos do PubMed e textos completos do PubMed Central Open Access. A base contém mais de 87.412 biomarcadores associados a 8035 genes, 337 drogas e 572 tipos de câncer, representando 25.818 resumos e 39.795 publicações de texto completo. O resumo não informa o tamanho da amostra de sentenças anotadas para treinamento.
Limitações
O resumo não detalha o desempenho do modelo de aprendizado supervisionado, como precisão ou recall, nem descreve as limitações da anotação manual. Também não informa a quantidade de especialistas envolvidos ou a validação externa da base. A dependência de texto completo disponível em acesso aberto pode restringir a cobertura.
Aplicação no consultório
A base CIViCmine pode ser uma fonte complementar para o médico consultar evidências sobre biomarcadores clínicos, agilizando a busca por informações relevantes. No entanto, a interpretação final deve considerar o contexto clínico individual. Para a gestão do consultório, ferramentas como essa podem otimizar o tempo dedicado à atualização científica, mas não substituem a análise crítica e a formação continuada.
Estudo citado
Text-mining clinically relevant cancer biomarkers for curation into the CIViC database. Genome medicine, 2019.
Autores: Lever J, Jones MR, Danos AM, Krysiak K, Bonakdar M, Grewal JK, Culibrk L, Griffith OL, Griffith M, Jones SJM.
DOI: 10.1186/s13073-019-0686-y · PubMed: PMID 31796060
Perguntas para aprofundar
- Como a mineração de texto pode auxiliar na atualização sobre biomarcadores em oncologia de precisão?
- Qual é a utilidade prática da base CIViCmine para o clínico que atua em oncologia?
- Quais são as limitações da curadoria automatizada de biomarcadores para a prática clínica?
Mais sobre IA em medicina de precisão e genômica
- Métodos computacionais de aprendizado de máquina são eficazes para prever respostas a combinações de drogas anticancerígenas na oncologia de precisão?
- O modelo TMBserval, que segmenta a carga mutacional tumoral em vetores multidimensionais, melhora a categorização de benefícios terapêuticos em comparação à TMB convencional?
- A inteligência artificial é eficaz na medicina personalizada em neoplasias?
- Como a medicina de precisão pode ser aplicada às doenças alérgicas e quais são os desafios atuais?
- Modelos de machine learning com dados longitudinais são acurados para prever complicações do câncer?
Todas as perguntas sobre IA em medicina de precisão e genômica · Todos os temas · Versão em markdown