Partnerskaber
Nference planlægger en fødereret AI-forskningsplatform sammen med Cedars-Sinai

NøglepunkterPlatformen er planlagt infrastruktur snarere end et leveret produkt, hvor funktionerne…
Vis mere
- Platformen er planlagt infrastruktur snarere end et leveret produkt, hvor funktionerne stadig beskrives som tilsigtede.
- Fødereret software og lægelig bedømmelse sigter mod at beskytte privatlivets fred, mens rodede kliniske dataformater harmoniseres.
- Dens egentlige prøve er, om kuraterede longitudinelle data hjælper forskere med at validere hypoteser og opbygge brugbare modeller.
nference annoncerede et langsigtet samarbejde med Cedars-Sinai den 20. november 2026 om at bygge en sikker platform til analyse af afidentificerede kliniske data fra flere områder af patientbehandlingen. Det planlagte forskningsgrundlag omfatter mere end ti års journaloplysninger fra over 5 millioner patienter, hvor deres behandlingsforløb følges over tid.
Platformen skal stadig udvikles, og dens forsknings- og AI-funktioner beskrives som planlagte muligheder. Arbejdet skal omdanne oplysninger, der genereres under klinisk behandling, til data, der er klar til forskning, på tværs af terapeutiske, diagnostiske og kirurgiske områder. Det skal give forskerne et fælles grundlag for at analysere journaloplysninger på tværs af forskellige og ustrukturerede formater.
Privatliv, kuratering og dataomfang
nference vil udforme systemet med fødereret software, der skal beskytte patienternes privatliv og harmonisere data fra forskellige kliniske formater. Longitudinel kuratering, hvor journaloplysninger organiseres, efterhånden som patientbehandlingen skrider frem, vil omfatte lægelig vurdering, så læger inddrages i processen med at klargøre data til forskning.
De afidentificerede input vil omfatte kliniske notater, laboratorieresultater, medicinoplysninger og diagnostiske rapporter samt radiologiske og patologiske billeder, genomiske oplysninger, elektrofysiologiske kurver, vitale værdier og målinger fra observationsskemaer. Biologiske prøver indsamlet med patienternes samtykke vil også indgå.
Hyppige dataopdateringer vil tilføje nye oplysninger, efterhånden som den løbende behandling skrider frem. nference forestiller sig, at denne løbende opdaterede ressource kan hjælpe forskere med at opnå mere detaljeret indsigt i, hvordan sygdomme opstår og udvikler sig. Det er en forventet fordel, ikke et dokumenteret forskningsresultat.
Studier, AI-modeller og videnskabelige mål
Platformen skal understøtte forskerstyrede studier, tilskudsfinansieret forskning, uddannelse og kvalitetsforbedring samt samarbejde med partnere fra life science-industrien. Den skal også danne grundlag for, at forskere ved Cedars-Sinai og tilknyttede innovatører kan udvikle og evaluere nye AI-modeller.
Lægemiddeludvikling, udformning af kliniske forsøg og fremtidig diagnostik er potentielle anvendelser længere nede i processen, som virksomhederne har peget på. Disse anvendelser afhænger af de studier og modelevalueringer, som platformen skal gøre mulige; de er ikke resultater, der er blevet annonceret som allerede opnåede.
Venky Soundararajan, grundlægger og administrerende direktør sammen med en anden direktør i nference, beskrev det planlagte grundlag som rumlig intelligens for hele kroppen, der skal sammenholde forskellige og ustrukturerede datatyper, så vanskelige videnskabelige spørgsmål bliver lettere at undersøge. »Forståelse af sundhed og sygdom kræver, at man forbinder det, der sker på tværs af organer, kliniske datatyper og årtier af hver patients behandlingsforløb,« sagde han.
Sumeet Chugh, vicedekan og ledende ansvarlig for sundhedsforskning inden for kunstig intelligens ved Cedars-Sinai, sagde, at institutionen forventer, at samarbejdet vil hjælpe klinikere og forskere med at lære af den samlede erfaring fra patientbehandlingen, validere videnskabelige hypoteser og fremskynde biomedicinsk forskning.
Samarbejdets umiddelbare resultat er forskningsinfrastruktur: et miljø med fokus på privatliv, der opdateres regelmæssigt og forbinder klinisk kuratering med udvikling og evaluering af AI-modeller. Den bredere betydning afhænger af, om disse samlede data- og kurateringsmekanismer hjælper forskere med at validere hypoteser og udvikle nyttige modeller på tværs af de mange typer patientoplysninger, som platformen er designet til at forbinde.












