Descripción del proyecto
Gemelos para predecir los resultados del tratamiento de la diabetes
La diabetes de tipo 2, que afecta a 1 de cada 10 adultos en todo el mundo, plantea un importante reto sanitario con resultados de tratamiento variables. A pesar de los avances en el tratamiento de los factores de riesgo, sigue siendo difícil predecir la eficacia del tratamiento en cada paciente. Esta laguna subraya la necesidad de contar con una medicina personalizada en el tratamiento de la diabetes. En este contexto, el equipo del proyecto dAIbetes, financiado con fondos europeos, construirá modelos de gemelos virtuales. Entrenados en diversos conjuntos de datos, al tiempo que preservan la privacidad del paciente, estos modelos pretenden predecir los resultados del tratamiento con una precisión sin precedentes. Mediante la integración de los datos de 800 000 pacientes de todo el mundo, el objetivo de dAIbetes es personalizar la gestión de las enfermedades y revolucionar la práctica clínica. En conjunto, el equipo pretende reducir los errores de predicción en un 10 % en comparación con los modelos basados en la población.
Objetivo
Virtual twins may be used as prognostic tools in precision medicine for personalised disease management. However, their training is a data hungry endeavour requiring big data to be integrated across diverse sources, which in turn is hampered by privacy legislation such as the General Data Protection Regulation. Privacy-enhancing computational techniques, like federated learning, have recently emerged and hold the promise of enabling the effective use of big data while safeguarding sensitive patient information. In dAIbetes, we build on this technology to develop a federated health data platform for clinical application of the first internationally trained federated virtual twin models. Our primary medical objective is personalised prediction of treatment outcomes in type 2 diabetes, which afflicts 1 in 10 adults worldwide and causes annual expenditures of ca. 893 billion EUR. While healthcare providers are becoming increasingly effective at targeting diabetes risk factors (e.g. diet or exercises), no guidelines as to the expected outcome for a given treatment for a specific patient exist. To address this urgent, yet unmet need, the federated dAIbetes technology will harmonise existing data of ca. 800,000 type 2 diabetes patients of 4 cohorts distributed across the globe, and learn prognostic virtual twin models. Those will be validated for their clinical relevance and applied in clinical practice through a dedicated software. We aim to demonstrate that our personalised predictions have a prediction error that is at least 10% lower than that of population average-based models. This federated virtual twin technology will enable personalised disease management and act as a blueprint for other complex diseases. Our consortium combines expertise in artificial intelligence, software development, privacy protection, cyber security, and diabetes and its treatment. Ultimately, we aim to resolve the antagonism of privacy and big data in cross-national diabetes research.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias naturalesinformática y ciencias de la informaciónsoftware
- ciencias médicas y de la saludmedicina clínicaendocrinologíadiabetes
- ciencias médicas y de la saludciencias de la saludnutrición
- ciencias médicas y de la saludciencias de la saludmedicina personalizada
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
Régimen de financiación
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinador
20148 Hamburg
Alemania