Projektbeschreibung
Ein Maschinenlernalgorithmus für die frühzeitige Vorhersage von postoperativen Infektionen
Etwa 25 % der Menschen in Europa, die operiert werden, leiden an postoperativen Komplikationen in Form von Infektionen. Das niederländische Unternehmen Healthplus.ai entwickelt nun einen fortschrittlichen Maschinenlernalgorithmus, mit dem es möglich sein soll, postoperativ auftretende Infektionen bereits fünf Tage vor der Diagnosestellung durch das medizinische Team mit einer Genauigkeit von 80 % vorherzusagen. Das EU-finanzierte Projekt PERISCOPE zielt darauf ab, den bestehenden Datensatz zu erweitern und die Genauigkeit der Vorhersage fünf Tage vor Einsetzen der potenziellen Infektionssymptome auf mehr als 90 % zu steigern. Weitere Schwerpunkte des Projekts sind die Entwicklung eines nachhaltigen Geschäftsmodells und Geschäftsplans, der Aufbau von Partnerschaften sowie rechtliche und behördliche Gesichtspunkte.
Ziel
Some 50M people need to undergo inpatient surgery per year in Europe Yet, despite intensive research efforts, around 25% of surgical patients will experience a complicated recovery with some type of infection on their path: pneumonia, urinary tract infections, wound infections, abdominal infections and bacteremia. Of course, the risk varies depending on the patient and the procedure, but despite efforts like biomarkers, risk scores or devices for early warning/detection, and preventive methods like ‘Enhanced Recovery After Surgery’ (ERAS), the overall risk still leaves almost one in four patients to get an infection within 30-days after surgery.
If we look beyond the personal suffering of patients and relatives, the cost of an infectious complication is estimated at around €10,000 per patient. Hence, total cost in only the Netherlands alone can be calculated at up to €3.5B per year, as approximately 350,000 Dutch patients go through an infection after surgery yearly. Total EU costs are even more shocking at an estimated €125B per year.
Healthplus.ai R&D BV is currently developing an advanced machine-learning (ML) algorithm (TRL level 4) to predict post-operative infections 5 days prior to the average medical team diagnosis, currently already achieving an accuracy of 80%. Through increasing the dataset and taking on more types of data, the ultimate goal is to ultimately achieve >90% accuracy at 5 days before the infectious symptoms on average are actually detected within the patient.
In this proposal, we seek how to go beyond the proven technical feasibility and assess channels to deliver the tool in a safe, affordable and scalable way through third-party vendors with a sustainable business model and plan with the right partnerships and intensify these relationships. Also, potential legal and regulatory issues with EU expansion will be identified, investigated and suitable measures outlined.
Wissenschaftliches Gebiet
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-SMEInst-2018-2020-1
Finanzierungsplan
SME-1 - SME instrument phase 1Koordinator
1017 AZ AMSTERDAM
Niederlande
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).