Owkin lancerer det collaborative 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.

Den første fase af projektet er fuldt ud 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, og forudsigelse og karakterisering af immunrespons.

Owkins manifest erklærer virksomhedens vision:

“Vi er fuldt engageret i denne nye grænse med målet om at forbedre lægemiddeludvikling og patientresultater. Stiftet i 2016 er Owkin hurtigt blevet en leder i at bringe kunstig intelligens (AI) og maskinlæring (ML) teknologier til sundhedssektoren. Vores løsninger forbedrer den traditionelle medicinske forskningsparadigme ved at omdanne et tidligere siloet, forkert system til et innovativt og samarbejdende, der først og fremmest sætter patienternes privatliv i centrum.”

Federeret Læring

For at forstå modellen, som Owkin er engageret i, skal man fuldt ud forstå en ny teknologi, der hedder Federeret Læring. Federeret læring tilbyder en ramme for AI-udvikling, der muliggør virksomheder at 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 opretholdes på det sundhedsinstitution, der indsamler disse data.

Brugen af Federeret Læring muliggør derfor en betydeligt bredere række af data end det, en enkelt organisation besidder internt. Dette betyder, at ved at bruge Federeret Læring har forskere adgang til så meget data, som er tilgængelig, og jo mere big data et maskinlærningssystem besidder, jo mere præcis bliver AI.

Der er i øjeblikket multiple nationale bestræbelser på at bruge AI til at tackle COVID-19. Problemet med mange af disse nationale, forkortede bestræbelser er, at data er specifik for et enkelt land. Indsamling af data fra en enkelt region kan ikke afsløre vigtig information, der ville muliggøre forskere at fuldt ud 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 Federeret Læring til følgende:

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

Forståelse og behandling af kardiovaskulær sundhedsproblemer vil være den første udfordring, som Owkin påtager sig. Så vigtigt data er, er det endnu vigtigere, at forskere og bidragsydere, der er i spidsen for denne indsats, bidrager til dette projekt. 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 medicinske videnskaber og medicinske grader fra Oxford University og en mastergrad fra Cambridge University. Sanjay har forskningserfaring i neurobillede, epidemiologi og digital sundhed. Før han tiltrådte Owkin som Partnership Manager, var han Senior Associate hos Boston Consulting Group, hvor han fokuserede på data og digital i sundhedssektoren. 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 integrerer 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 risikoprediktion, fenotypering af kroniske sygdomme, datavidenskabsmetodeforskning og translation af stratificeret medicin til primær sundhedspleje.

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, Director 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 på 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 fremhæve personlighederne bag dette vigtige globale indsats.