Building a clinical and academic health research network using data science and artificial intelligence

In de wereld van de medische wetenschap wordt het oplossen van complexe gezondheidsproblemen zelden in isolatie bereikt. Wanneer onderzoekers, artsen en instellingen hun krachten bundelen, creëren zij een onderzoeksnetwerk—een gestructureerde manier om kennis, middelen en patiënten te delen om problemen aan te pakken die te groot zijn voor één enkel persoon om alleen te kunnen handelen. Deze allianties zijn essentieel voor het omzetten van wetenschappelijke ontdekkingen in echte behandelingen en beleid. Het opbouwen van deze netwerken is echter traditioneel een traag, handmatig proces geweest. Wetenschappers vertrouwen vaak op persoonlijke contacten, enquêtes of institutionele gegevens om te vinden wie waar aan werkt. Deze aanpak is arbeidsintensief, gevoelig voor menselijke fouten en wordt snel verouderd naarmate nieuwe experts opkomen en oude teams uiteenvallen. Het is als het proberen in kaart te brengen van een uitgestrekt, verschuivend landschap door elke centimeter te voet af te leggen; het werkt, maar het is uitputtend en je zou de belangrijkste paden kunnen missen.

Een team van onderzoekers van de Universiteit van Hull heeft een andere manier voorgesteld om deze verbindingen te leggen, één die gebruikmaakt van de snelheid en het patroonherkenningsvermogen van computers. Ze vroegen zich af of datawetenschap en kunstmatige intelligentie automatisch de juiste mensen kunnen vinden om deel uit te maken van een onderzoeksnetwerk, specifiek voor degenen die onderzoek doen naar alcohol, verslaving en mentale gezondheid in Noord-Engeland. In plaats van te vertrouwen op telefoontjes of spreadsheets, bouwden zij een systeem dat miljoenen wetenschappelijke artikelen scant om de auteurs te vinden, hun identiteiten te controleren en in kaart te brengen met wie ze al samenwerken. Het doel was om te zien of een machine het zware werk van het netwerken kon doen, door een helder, actueel beeld te creëren van het onderzoekslandschap dat zowel schaalbaar als systematisch is.

De onderzoekers richtten hun aandacht op het noorden van Engeland, een gebied dat te maken heeft met aanzienlijke volksgezondheidsuitdagingen gerelateerd aan middelengebruik en mentaal welzijn. Ze wilden de academici en clinici in deze regio identificeren die tussen 2020 en 2025 actief publiceerden over deze onderwerpen. Hiervoor maakten ze gebruik van PubMed, een enorme, gratis database van medische literatuur. Ze selecteerden zesentwintig specifieke tijdschriften die bekend staan om het publiceren van werk over alcohol, verslaving en mentale gezondheid. Met behulp van een computerprogramma doorzochten ze deze tijdschriften op elk artikel dat de afgelopen vijf jaar is gepubliceerd. De software extraheerde vervolgens de namen van de auteurs en de universiteiten of ziekenhuizen waar zij werkzaam waren.

Een grote hindernis bij dit soort werk is dat veel onderzoekers dezelfde namen delen. Om dit op te lossen, gebruikte het team een digitale tool genaamd ORCID, die fungeert als een unieke ID-kaart voor wetenschappers. De computer probeerde de gevonden namen en affiliaties uit de artikelen te koppelen aan deze unieke ID's om ervoor te zorgen dat "John Smith" van de ene universiteit niet werd verward met een andere "John Smith" van een andere universiteit. Zodra de auteurs waren geïdentificeerd en hun identiteiten waren bevestigd, bouwde het team een digitale kaart van hun relaties. In deze kaart is elke onderzoeker een punt, en een lijn verbindt twee punten als zij samen een artikel hebben geschreven. Deze visuele structuur onthult met wie er wordt samengewerkt en hoe hecht de verschillende groepen zijn.

De resultaten van deze geautomatiseerde zoekopdracht waren veelzeggend. Het systeem identificeerde 420 unieke onderzoekers verspreid over eenentwintig instellingen in Noord-Engeland. Toen het team keek naar waar deze onderzoekers gevestigd waren, ontdekten ze dat de regio Yorkshire en Humber het meest actief was, met 181 van de totale publicaties. De North West volgde met 162 publicaties, en de North East met 55. Wat individuele universiteiten betreft, viel de Universiteit van Sheffield op met 94 publicaties, gevolgd door de Universiteit van York met 57 en de Universiteit van Liverpool met 52. De gegevens toonden een duidelijke trend: hoewel het totale aantal artikelen over deze onderwerpen de afgelopen jaren een lichte daling heeft laten zien, blijft de concentratie van expertise in het Noorden aanzienlijk.

Toen de onderzoekers de verbindingen tussen deze wetenschappers onderzochten, vonden ze een netwerk dat matig verbonden is. Gemiddeld had elke onderzoeker met ongeveer zeven andere mensen samengewerkt. De kaart liet zien dat hoewel een groot deel van de samenwerking binnen één enkele universiteit plaatsvindt, er ook een gezonde hoeveelheid werk wordt verricht tussen verschillende instellingen. De Universiteit van Sheffield kwam naar voren als een centraal knooppunt in de regio Yorkshire en Humber, en fungeerde als een focuspunt voor veel van de verbindingen. De netwerkstructuur was echter geen perfect web; de analyse suggereerde dat slechts ongeveer vier procent van alle mogelijke samenwerkingen tussen deze onderzoekers daadwerkelijk bestaat, wat aangeeft dat er nog volop ruimte is voor nieuwe partnerschappen.

De studie suggereert dat het gebruik van kunstmatige intelligentie om onderzoeksnetwerken op te bouwen een haalbaar en krachtig alternatief is voor traditionele methoden. De auteurs stellen dat handmatige benaderingen vaak te traag en inconsistent zijn om nuttig te zijn voor grootschalige projecten, terwijl hun geautomatiseerde methode snel een uitgebreide lijst van potentiële samenwerkingspartners kan genereren. Deze aanpak biedt een manier om het onderzoekslandschap te zien zoals het werkelijk is, gebaseerd op feitelijk gepubliceerd werk in plaats van op wie toevallig wie kent. De onderzoekers merken echter voorzichtig op dat hun methode niet perfect is. Omdat het systeem steunt op gepubliceerde artikelen, kan het jonge onderzoekers missen die nog niet hebben gepubliceerd of clinici die niet voor de geselecteerde tijdschriften schrijven. Bovendien kon de computer niet voor elke auteur een unieke ID vinden, waardoor sommige namen zo moesten worden gebruikt als ze verschenen, wat een klein risico op fouten met zich meebrengt.

Ondanks deze beperkingen toont het werk een duidelijke weg vooruit voor hoe onderzoeksgemeenschappen gevormd en begrepen kunnen worden. Door de enorme, chaotische oceaan van wetenschappelijke literatuur te veranderen in een gestructureerde kaart, biedt deze methode financieringsinstanties en beleidsmakers een instrument om te identificeren waar expertise ligt en waar hiaten kunnen bestaan. De studie concludeert dat deze geautomatiseerde, op data gebaseerde aanpak een substantiële verbetering is ten opzichte van de oude manieren van netwerken. Het biedt een manier om systematisch de mensen te identificeren die het werk al uitvoeren, waardoor het gemakkelijker wordt om hen samen te brengen om de complexe gezondheidsuitdagingen in Noord-Engeland en daarbuiten aan te pakken. De toekomst van dit werk zal bestaan uit het verfijnen van de tools om nog meer onderzoekers te bereiken en het beschikbaar maken van de software voor anderen, zodat het bouwen van deze vitale verbindingen een standaard onderdeel van het wetenschappelijke proces wordt.