Förklarbart maskininlärningsbaserat system för tidig varning
- Diarienummer
- SM21-0060
- Start- och slutdatum
- 220401-241231
- Beviljat belopp
- 1 166 000 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Bioteknik, medicinsk teknik och teknik för livsvetenskaperna
Summary
Analys av vårddata med förklaringar ger ett unikt tillfälle att utveckla ny teknik för precisa förutsägelser och diagnostik av allvarliga utfall på sjukhus. Huvudsyftet med bidraget är att utforska denna unika möjlighet. På Karolinska universitetssjukhuset (KUH) hjälper den sökande att förverkliga förklarbara maskininlärningsbaserade (eng. XML) lösningar för vårdgivare. Dessutom kommer vårdgivarna att lära sig användning, effektivitet och begränsningar av maskininlärning. Sammantaget kommer mobilitetsbidraget att stärka det långsiktiga samarbetet mellan KTH, KUH och Region Stockholm för medicinsk dataanalys. I värdgruppen på KUH kommer sökandens roll att gå utöver deras pågående gemensamma projekt om nya system för tidig varning baserade på djupinlärda neurala nätverk (DeepNEWS). Med hjälp av patientdata i form av tidsserier kommer DeepNEWS att tillhandahålla analys i realtid och hjälpa vårdgivare vid kliniska beslut och terapeutiska ingrepp i tidskritiska situationer. Sökanden hjälper till att skala DeepNEWS med hjälp av förklarbar maskininlärning (XML) där vårdgivare kommer att förstå orsakerna till algoritmiska beslut. Som en andra tillämpning kommer användningen av XML att undersökas ytterligare för att identifiera bästa läkemedelskandidater för att bromsa kognitiv nedgång för demenspatienter. Dessutom kommer sökanden och värdgruppen gemensamt att ordna två datavetenskapliga workshops för vårdgivare och en lämplig praktisk maskininlärningskurs.
Populärvetenskaplig beskrivning
Artificial Intelligence (AI) can be used to detect infections earlier than current clinical practice. Infections do not always show clear and specific symptoms, why doctors and nurses can miss the diagnosis. Once infection starts, the immune system begins to fight bacteria and viruses. As an effect, body parameters, such as heart rate, blood pressure, breathing pattern, body temperature, start to change slowly. While humans can not recognise the slow subtle changes, AI can. AI can also predict infection type and risk of future patient deterioration. Doctors and nurses then have precious time to initiate life-saving interventions early. This heralds use of AI for designing early warning systems in hospitals. Each patient at modern hospitals generates a huge amount of data. Such data includes time-series waveform data from physiological sensors, vital signs, electronic health records (EHR), lab results, radiology imaging, ventilator states, fluid and medication injections. Use of new non-invasive wearable sensors is on the increase for hospital patients. All the data contain clues to the patient's medical state and can be used for early detection of deterioration, such as the infection buildup, development of sepsis, respiratory failures, or cardiac arrest. Our long term vision is to use modern machine learning (ML), mainly deep learning - a core for data analysis in AI - to analyse such data in real time for early warning. Real time early prediction will save critical time for therapeutic interventions, much ahead of clearly visible clinical symptoms. Deep learning based novel early warning systems (DeepNEWS) will aid accurate medical decisions, saving lives. The automatic systems will perform real time data acquisition, storage, analysis, and provide automatic monitoring and appropriate warning notifications. To develop the DeepNews, it is imperative that machine learning experts spend quality research time in hospitals for performing a full scale system study. Machine learning experts need to clearly understand hospital data collection and management systems, mainly the patient database management systems and the appropriate IT infrastructures of hospitals. Further the experts need to clearly understand the needs of doctors and nurses, and how they analyze data and decide medical diagnostics. This inter-disciplinary research collaboration with active engagement of all partners will pave the path of DeepNEWS at Swedish hospitals in future.