伊恩·哈钦斯(Ian Hutchins)和美国国立卫生研究院(National Institutes of Health)乔治·桑坦格洛(George Santangelo)领导的研究小组(OPA)的同事开发了一种人工智能/机器学习模型，用于预测哪些科学进展最终可能会转化为临床应用。 (NIH)。这项工作在10月10日发表在开放存取期刊PLOS Biology上的Meta-Research文章中进行了描述，旨在缩短科学发现与临床应用之间有时长达数十年的时间间隔。该方法确定了将来的临床试验或指南(翻译进度的早期指标)会引用研究文章的可能性。

哈钦斯和同事已经量化了这些预测，作为一种称为“近似翻译潜力”(APT)的新颖指标，这些预测在发布后只有两年的时间里非常准确。研究人员和决策者可以使用APT值将注意力集中在具有强大翻译潜力的科学领域。尽管单靠数字绝对不能代替人类专家的评估，但作为数据驱动决策的一个组成部分，APT指标具有加速生物医学进步的潜力。

计算APT值的模型根据研究文章和引用它们的文章的内容进行预测。诸如APT之类的度量标准研究和开发的长期障碍是，此类引文数据一直隐藏在专有的，限制性的且通常成本高昂的许可协议之后。为了消除对科学界的这种障碍，提高透明度并促进可重复性，OPA汇总了来自公共资源的引文数据，以创建一个开放的引文集(NIH-OCC)，其详细信息请参见同一期的PLOS Biology。NIH-OCC目前包含超过4.2亿个引用链接，随着引用量的不断积累，它将每月更新一次。对于自2010年以来的出版物，NIH-OCC已经比领先的专有引文数据来源更全面。

NIH-OCC的引文数据可用于计算APT值和相对引文比率(RCR)。后者是文章级别的科学影响力的一种衡量标准，已针对研究领域和发表以来的时间进行了标准化，该方法先前由NIH的Santangelo团队开发，现已在科学界和评估界广泛采用。这两篇文章发表后，APT值和NIH-OCC将作为iCite网络工具的新组件免费公开发布，并将继续作为RCR数据的主要来源(https://icite.od.nih.gov/)。OPA团队鼓励使用iCite改进研究评估和决策制定，从而有助于优化科学企业。