Effective visual analytics for data-heavy clinical genomics
- Reference number
- ID20-0092
- Project leader
- Ynnerman, Anders
- Start and end dates
- 210701-250630
- Amount granted
- 2 500 000 SEK
- Administrative organization
- Linköping University
- Research area
- Information, Communication and Systems Technology
Summary
Precision medicine is seen as the great promise to achieve groundbreaking improvements in healthcare. Genomics is at the core of the precision medicine potential and across the globe, care providers are preparing to introduce broad sequencing as a standard procedure in oncology. However, a major bottleneck will be the methods and tools needed for large-scale diagnostic exploration and result communication, as the current solutions are not sufficient for the clinical environment with extreme demands on high throughput and actionable conclusions. The mission of the proposed project is to address precision diagnostics in high-volume clinical routine based on patient-to-population and patient-to-patient analyses, with focus on genomic medicine. The scientific agenda tailored to meet this challenge is to develop novel methods for data-driven sensemaking within the visualization and machine learning domains. The plan for the proposed project consists of four work packages. The work plan reflects a bottom-up methodology, going from foundational components, to developing partial then more complete solutions, and finally validating the mature prototypes in a clinical setting. The expected results are new knowledge about effective man-machine practices, for the targeted application area and for other data-intense exploration, and innovative prototypes that have a short path to reaching actual clinical use.
Popular science description
Precisionsmedicin är ansett som huvudsakliga vägen för att nå banbrytande förbättringar i sjukvården. Genetiska data är en central del av precisionsmedicin. Runtom i världen förbereder nu vårdgivare sig för att introducera genetiska analyser som en standardkomponent i cancervården, på en mycket bredare front än tidigare. En avgörande flaskhals kommer dock vara de metoder och verktyg som då behövs för storskalig analys och kommunikation av resultat till t ex onkologer. Nuvarande lösningar inte räcker till i en klinisk miljö med extrema krav på högt genomflöde och tydliga underlag för behandlingsalternativ. Det föreslagna projektet handlar om precisionsdiagnostik i klinisk rutin, där en patients genetikdata ska kunna jämföras både med andra patienter och större grupper. Det vetenskapliga målet består i att utveckla nya metoder för datadrivet utforskande inom domänerna visualisering och artificiell intelligens. Projektet innehåller fyra arbetspaket. Arbetsplanen utgår från att först utveckla grundläggande metodkomponenter, till att utveckla dellösningar och sedan mer kompletta lösningar, och slutligen att utvärdera mogna prototyper i ett kliniskt relevant sammanhang. De förväntade resultaten är ny kunskap om effektiva arbetssätt för kombinationen människa-maskin, samt innovativa prototyper som har kort väg till att sedan nå faktisk användning i sjukvården.