Förklarbart maskininlärningsbaserat medicinsk data analys
- Diarienummer
- SAB23-0012
- Projektledare
- Chatterjee, Saikat
- Start- och slutdatum
- 241201-251231
- Beviljat belopp
- 1 300 000 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Analys av sjukvårdsdata med förklaringar ger en unik möjlighet att utveckla nya teknologier för korrekta förutsägelser och diagnostik av sjukdomar på sjukhus. Huvudsyftet med detta sabbatsbidrag är att utforska denna unika möjlighet. Den sökande kommer att tillbringa cirka ett år på Intervention Centre, Oslo Universitetssjukhus (OUH), Oslo, Norge. Den sökande har två huvudmål: (1) Han kommer att samarbeta med fyra befintliga grupper med sin expertis inom förklarlig maskininlärning (XML) för hälsovårdsproblem utifrån sin nuvarande erfarenhet av Karolinska Universitetssjukhuset (KUH) och Karolinska Institutet (KI). XML hjälper medicinska vårdgivare att förstå algoritmiska beslut. (2) Han kommer att lära sig processen för att utveckla ett sådant interventionscenter i sjukhusmiljön, och hur man bygger en sådan unik anläggning vid KUH, som för närvarande inte finns. Det är mycket viktigt att etablera ett sådant tvärvetenskapligt centrum på sjukhuset för direkt tillgång till medicinska data och direkt samarbete med medicinska vårdgivare. Sammantaget kommer sabbatsperioden att bidra till att stärka långsiktiga samarbeten mellan KTH, KUH, KI och OUH för medicinsk dataanalys. Detta kommer också att skapa förbindelser mellan Region Stockholm och Oslo Region Myndigheter. Den sökande kommer att dra nytta av sitt samarbete med Region Stockholm, KUH och KI, och flera projekt inklusive sitt nuvarande SSF-stödda mobilitetsbidrag till KUH.
Populärvetenskaplig beskrivning
Artificial Intelligence (AI) can be used to detect severe medical events in life, help doctors for choice of medication, find details in medical images like X-ray images, etc. For example, let us consider infections due to virus and bacteria. AI can 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 human immune system automatically starts to fight bacteria and viruses. As an effect, body parameters, such as heart rate, blood pressure, breathing pattern, body temperature, etc. start to change slowly. While humans can not recognise the slow subtle changes, AI can if data can be collected and analyzed. Doctors and nurses then have precious time to initiate life-saving interventions early. Each patient at modern hospitals generates a huge amount of data. Such data includes vital signs, electronic health records (EHR), text data, lab results, radiology imaging, ventilator states, fluid, medications, etc. 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 diseases, cardiac arrest, neurological disorders, cancer onset, etc. Our long term vision is to use modern AI to analyse such data for early warning. Data analysis and early detection are integral part of a clinical decision support system. An autonomous decision support system will aid accurate medical decisions, saving lives. In all most all medical research arenas, a vision is to develop autonomous clinical decision support systems that will perform real time data acquisition, storage, analysis, and provide automatic monitoring and appropriate warning notifications. To develop such kind of autonomous clinical decision support systems that will assist medical caregivers, it is imperative that machine learning experts spend quality research time in hospitals for understanding a full scale system requirements and study several kind of medical cases. Further the experts need to clearly understand the needs of doctors and nurses, and how they currently analyze data and decide medical diagnostics, and where lies the scope of improvements. This is an inter-disciplinary research combining engineering with medical knowledge, helping to design AI-based medical data analysis systems and autonomous clinical decision support systems at Swedish hospitals in future.