Opis projektu
Technologia bliźniąt do przewidywania wyników leczenia cukrzycy
Cukrzyca typu 2, dotykająca 1 na 10 dorosłych osób na całym świecie, stanowi poważne wyzwanie dla opieki zdrowotnej z różnymi wynikami leczenia. Pomimo postępów w zwalczaniu czynników ryzyka przewidywanie skuteczności leczenia u poszczególnych pacjentów pozostaje niepewne. Ta luka podkreśla potrzebę spersonalizowanej medycyny w leczeniu cukrzycy. Dlatego też finansowany ze środków UE projekt dAIbetes stworzy wirtualne modele bliźniacze. Modele te, trenowane na różnorodnych zbiorach danych przy jednoczesnym zachowaniu prywatności pacjentów, mają na celu przewidywanie wyników leczenia z niespotykaną dotąd dokładnością. Poprzez integrację danych od 800 000 pacjentów na całym świecie, dAIbetes ma na celu spersonalizowanie radzenia sobie z chorobą i zrewolucjonizowanie praktyki klinicznej. Ogólnie rzecz biorąc, celem projektu jest zmniejszenie błędów przewidywania o 10% w porównaniu z modelami opartymi na populacji.
Cel
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.
Dziedzina nauki
- natural sciencescomputer and information sciencescomputer securitydata protection
- natural sciencescomputer and information sciencesdata sciencebig data
- medical and health sciencesclinical medicineendocrinologydiabetes
- medical and health scienceshealth sciencesnutrition
- medical and health scienceshealth sciencespersonalized medicine
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-RIA - HORIZON Research and Innovation ActionsKoordynator
20148 Hamburg
Niemcy