Owkin lancerer det kollektive COVID-19 Open AI Consortium (COAI)

Efter en frisk runde af finansiering, lancerede Owkin nylig Covid-19 Open AI Consortium (COAI). Dette konsortium vil muliggøre avanceret samarbejdsforskning og accelerere klinisk udvikling af effektive behandlinger for patienter, der er inficeret med COVID-19.

Det første stadie af projektet er at forstå og behandle kardiovaskulære komplikationer hos COVID-19-patienter, dette vil blive udført i samarbejde med CAPACITY, en international registry, der arbejder med over 50 centre verden over. Andre områder for forskning vil inkludere patientresultater og triage, samt forudsigelse og karakterisering af immunrespons.

Owkins manifest erklærer virksomhedens vision perfekt:

“Vi er fuldt engageret i denne nye front med målet om at forbedre lægemiddeludvikling og patientresultater. Stiftet i 2016, er Owkin hurtigt blevet en leder i at bringe kunstig intelligens (AI) og maskinlærings-teknologier til sundhedssektoren. Vores løsninger forbedrer den traditionelle medicinske forskningsparadigme ved at omdanne et tidligere isoleret og fragmenteret system til et innovativt og samarbejdende, der i første række sætter patienternes privatliv i fokus.”

Federal Læring

For at forstå modellen, som Owkin er engageret i, er det nødvendigt at forstå en ny teknologi, der kaldes Federal Læring. Federal læring tilbyder en ramme for AI-udvikling, der muliggør, at virksomheder kan træne maskinlæringsmodeller på data, der er distribueret på tværs af multiple medicinske institutioner uden at centralisere data. Fordelene heraf er tofold: der er ingen tab af privatliv, da data ikke er direkte knyttet til en bestemt patient, og dataene opbevares på den sundhedsinstitution, der indsamler disse data.

Brugen af Federal Læring muliggør derfor en betydeligt bredere vifte af data end det, en enkelt organisation besidder internt. Dette betyder, at forskere har adgang til så meget data, som er tilgængeligt, og jo mere big data et maskinlærings-system besidder, jo mere præcis bliver AI.

Der er i øjeblikket flere nationale bestræbelser på at bruge AI til at tackle COVID-19. Problemet med mange af disse nationale, separate bestræbelser er, at dataene er specifikke for ét land. At indsamle data fra en enkelt region kan ikke afsløre vigtig information, der ville kunne hjælpe forskere med at forstå, hvordan eksponering for miljøfaktorer, etnisk sammensætning, genetik, alder og køn kan spille vigtige roller i forståelsen af denne sygdom. Dette er hvorfor samarbejde er så vigtigt, og hvorfor indsamling af data fra multiple jurisdiktioner er endnu vigtigere.

Som beskrevet af Owkin, søger de at bruge Federal Læring til følgende:

“Vi søger at hjælpe dem med at forstå, hvorfor lægemiddel-effekten varierer fra patient til patient, forbedre lægemiddeludviklingsprocessen og identificere det bedste lægemiddel til den rette patient på det rette tidspunkt for at forbedre behandlingsresultaterne.”

At forstå og tackle kardiovaskulære sundhedsproblemer vil være den første udfordring, som Owkin påtager sig. Lige så vigtigt som data er, er det endnu vigtigere at have forskere og bidragydere, der står i spidsen for denne indsats. Dette er hvorfor Unite.AI vil offentliggøre tre interviews med forskere, der bidrager til COAI-projektet.

Interviews

Sanjay Budhdeo, MD, Business Development:

Sanjay er en praktiserende læge. Han har en medicinsk videnskabs- og lægegrad fra Oxford University og en mastergrad fra Cambridge University. Sanjay har forskningsoplevelse inden for neurobillede, epidemiologi og digital sundhed. Før han tiltrådte som Partnership Manager hos Owkin, var han Senior Associate hos Boston Consulting Group, hvor han fokuserede på data og digital sundhed. Han sidder i Patient Safety Committee på Royal Society of Medicine og var tidligere Specialist Advisor på Care Quality Commission.

Klik her for at læse interviewet med Sanjay.

Dr. Stephen Weng, Principal Researcher:

Stephen er en adjunkt i integreret epidemiologi og datavidenskab, der leder datavidenskabsforskningen inden for Primary Care Stratified Medicine Research Group.

Han kombinerer traditionelle epidemiologiske metoder og studie-design med nye informatics-baserede tilgange, der udnytter og afhører “big health care data” fra elektroniske patientjournaler til formålet med risikovurderingsmodellering, fenotypering af kroniske sygdomme, datavidenskabsmetoder og oversættelse af stratificeret medicin til primær sundhed.

Klik her for at læse interviewet med Stephen

Folkert W. Asselbergs, Principal Investigator

Folkert er professor i præcisionsmedicin i kardiovaskulær sygdom på Institute of Cardiovascular Science, UCL, direktør for NIHR BRC Clinical Research Informatics Unit på UCLH, professor i kardiovaskulær genetik og konsulentkardiolog på afdelingen for kardiologi, University Medical Center Utrecht, og chief scientific officer for Durrer Center for Cardiovascular Research, Netherlands Heart Institute. Prof Asselbergs har publiceret over 275 videnskabelige artikler og har modtaget finansiering fra leDucq foundation, British og Dutch Heart Foundation, EU (FP7, ERA-CVD, IMI, BBMRI) og RO1 National Institutes of Health.

Klik her for at læse interviewet med Folkert

Vores Håb

Unite.AIs håb er, at ved at bruge biomedicinske billeder, genetik og kliniske data til at opdage biomarkører og mekanismer associeret med sygdomme og behandlingsresultater, vil dette fremme den næste generation af behandlinger til at tackle COVID-19. Vi bidrager til dette vigtige projekt ved at højligte personlighederne bag dette vigtige globale indsats. biomedical billeder, genetik og kliniske data til at opdage biomarkører og mekanismer associeret med sygdomme og behandlingsresultater, dette vil fremme den næste generation af behandlinger til at tackle COVID-19. Vi bidrager til dette vigtige projekt ved at højligte personlighederne bag dette vigtige globale indsats.