Description du projet
Stratification continue, basée sur l’IA, des patients victimes d’un accident vasculaire cérébral
La stratification des patients victimes d’un AVC repose actuellement sur des algorithmes avancés d’apprentissage automatique formés sur d’énormes quantités de données. Cependant, ces modèles ne peuvent prendre en compte qu’une partie des données diverses et variées concernant un patient, et la stratification n’est effectuée que de manière intermittente. Le projet STRATIF-AI, financé par l’UE, procède à une stratification continue avec la nouvelle plateforme STRATIF-AI. Les données du patient sont stockées dans son propre coffre-fort personnel, perpétuellement mis à jour dans son système de jumeau numérique. Cette architecture hybride associe des modèles mécanistes à l’apprentissage automatique et à la bio-informatique pour simuler les réactions aux changements propres au patient et observer les changements à différents niveaux, allant de quelques secondes à plusieurs années. Le projet fait appel à une technologie de pointe pour connecter des applications et suivre le parcours d’un patient victime d’un AVC, de la prévention à la rééducation.
Objectif
State-of-the-art stratification today is based on machine-learning (ML) algorithms, trained on large cohort data. This has two main limitations: a) such ML-models cannot use all the variety of different data that is generated about a patient, b) stratification is thus only done intermittently, implying out-dated and sub-optimal care decisions. To remedy this, we herein present a new concept and technology - continuous stratification, using our new STRATIF-AI platform. In continuous stratification, all data generated about a patient is cumulatively stored in a Personal Data Vault, controlled by the patient. These personal data continuously updates our world-unique digital twins. The unique potential with our twins comes from the hybrid architecture, combining mechanistic, multi-scale, and multi-organ models with ML and bioinformatics. This allows us to simulate patient-specific responses to changes in diet, exercise, and certain medications, and see changes on both an intracellular, organ, and whole-body level, ranging from seconds to years. We also combine semantic harmonization with federated learning to securely re-train the various sub-models, when new data become available in one of the cohort databases. In this project, we will for the first time use this cutting-edge technology to connect a series of apps that together covers an entire patient journey. Using 6 new clinical studies, involving 8 new partner hospitals, we will both refine and validate the models, and demonstrate how the same digital twin can follow a patient across different apps, covering all phases of stroke: from prevention, to acute treatment, and rehabilitation. Our scalable platform for continuous stratification forms the foundation for a new interconnected and patient-centric healthcare system.
Champ scientifique
- natural sciencescomputer and information sciencesdatabases
- medical and health sciencesbasic medicinepharmacology and pharmacypharmaceutical drugs
- medical and health sciencesclinical medicinephysiotherapy
- medical and health scienceshealth sciencesnutrition
- medical and health sciencesbasic medicineneurologystroke
Mots‑clés
Programme(s)
Régime de financement
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinateur
581 83 Linkoping
Suède