Opis projektu
Sztuczna inteligencja umożliwia ciągłą stratyfikację pacjentów po udarze mózgu
Obecne metody stratyfikacji pacjentów, którzy doznali udaru mózgu, opierają się na zaawansowanych algorytmach uczenia maszynowego wyszkolonych na ogromnych ilościach danych. Modele te potrafią jednak uwzględniać tylko niektóre z szerokiego zakresu różnorodnych i zróżnicowanych danych na temat pacjenta, zaś stratyfikację przeprowadza się jedynie sporadycznie. Finansowany przez Unię Europejską projekt STRATIF-AI oferuje innowacyjne rozwiązanie – platformę STRATIF-AI umożliwiającą przeprowadzanie stratyfikacji w sposób ciągły. Dane pacjentów są przechowywane w ich własnych sejfach danych osobistych, dzięki czemu są chronione i stale aktualizowane w systemie cyfrowego bliźniaka. Ta hybrydowa architektura łączy modele mechanistyczne z dziedzinami uczenia maszynowego i bioinformatyki, przez co pozwala na symulowanie reakcji na zmiany specyficzne dla pacjenta i obserwowanie zmian w różnych skalach, od paru sekund do wielu lat. Ponadto rozwiązanie to wykorzystuje zaawansowaną technologię umożliwiającą łączenie aplikacji oraz monitorowanie historii pacjenta na każdym etapie, od profilaktyki po rehabilitację.
Cel
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.
Dziedzina nauki
- 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
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
HORIZON-HLTH-2022-TOOL-12-two-stage
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-RIA - HORIZON Research and Innovation ActionsKoordynator
581 83 Linkoping
Szwecja