Owkin julkisti yhteistyössä toimivan COVID-19 Open AI Consortiumin (COAI)

Rahoituksen uuden kierroksen jälkeen Owkin on juuri julkaissut Covid-19 Open AI Consortiumin (COAI). Tämä konsortio mahdollistaa edistyneen yhteistyöhön perustuvan tutkimuksen ja nopeuttaa kliinisen kehityksen tehokkaiden hoitokeinojen kehittämistä COVID-19-potilaiden hoidossa.

Projektin ensimmäinen vaihe on ymmärtää ja hoitaa sydän- ja verisuoniongelmat COVID-19-potilailla, ja se toteutetaan yhteistyössä CAPACITY:n kanssa, joka on kansainvälinen rekisteri, joka toimii yli 50 keskuksen kanssa ympäri maailmaa. Muita tutkimuksen aloja ovat potilastulokset ja triage, sekä immuunivasteen ennustaminen ja karakterisointi.

Owkinin manifesti ilmaisee täydellisesti yrityksen visiot:

“Olemme täysin sitoutuneita tähän uuteen eturintamaan tavoitteena parantaa lääkekehitystä ja potilastuloksia. Perustettu vuonna 2016, Owkin on nopeasti noussut johtavaksi toimijaksi tekoäly- (AI) ja koneoppimis- (ML) teknologioiden tuomisessa terveydenhuoltoalalle. Ratkaisumme parantavat perinteistä lääketieteellistä tutkimusparadigmaa muuttamalla aiemmin eristetyn ja hajanaisen järjestelmän innovatiiviseksi ja yhteistyöhön perustuvaksi, joka asettaa potilaiden yksityisyyden etusijalle.”

Federated Learning

Jotta ymmärtäisiin mallia, jota Owkin on mukana, on täytynyt ymmärtää uusi tekniikka, jota kutsutaan Federated Learning:ksi. Federated Learning tarjoaa kehyksen tekoälykehitykselle, joka mahdollistaa yritysten kouluttamisen koneoppimismalleja jaettujen tietojen avulla useiden terveydenhuollon laitosten ympärillä ilman tietojen keskitsemistä. Tämän edut ovat kaksinkertaiset, sillä ei ole yksityisyyden menetystä, koska tietoja ei ole suoraan linkitetty mihinkään tiettyyn potilaaseen, ja tietoja säilytetään terveydenhuollon laitoksessa, joka kerää nämä tiedot.

Federated Learningin käyttäminen mahdollistaa huomattavasti laajemman tietojen käytön kuin mitä yksittäinen organisaatio omistaa. Tämä tarkoittaa, että tutkijat voivat käyttää Federated Learningia ja päästä käyttämään niin paljon dataa kuin on saatavilla, ja mitä enemmän suurta dataa koneoppimisjärjestelmällä on, sitä tarkempi tekoäly on.

On olemassa useita kansallisia ponnisteluja käyttää tekoälyä COVID-19:n torjumiseksi. Monien näiden kansallisten, hajanaisien ponnistelujen ongelmana on, että data on spesifistä yhdelle maalle. Yhden alueen datan kerääminen saattaa olla riittämätöntä paljastamaan tärkeitä tietoja, jotka mahdollistaisivat tutkijoiden täydellisen ymmärtämisen siitä, miten altistuminen ympäristötekijöille, etninen koostumus, genetiikka, ikä ja sukupuoli voivat vaikuttaa taudin ymmärtämiseen. Tämän vuoksi yhteistyö on niin tärkeää, ja tietojen kerääminen useista alueista on vielä tärkeämpää.

Kuten Owkin on kuvaillut, he pyrkivät käyttämään Federated Learningia seuraaviin tarkoituksiin:

“Pyrimme auttamaan heitä ymmärtämään, miksi lääkevaikutus vaihtelee potilaasta toiseen, parantamaan lääkekehitysprosessia ja tunnistamaan parhaimman lääkkeen oikealle potilaalle oikeaan aikaan, jotta parannetaan hoitotuloksia.”

Sydän- ja verisuoniongelmien ymmärtäminen ja hoito tulee olemaan Owkinin ensimmäinen haaste. Vaikka data on tärkeää, niin tärkeämpää ovat tutkijoiden ja avustajien ponnistelut, jotka ovat johtamassa tätä ponnistelua. Tämän vuoksi Unite.AI julkaisee kolme haastattelua tutkijoilla, jotka osallistuvat COAI-projektiin.

Haastattelut

Sanjay Budhdeo, MD, Liiketoimintakehitys:

Sanjay on käytännön lääkäri. Hänellä on lääketieteellinen tutkinto Oxfordin yliopistosta ja maisterin tutkinto Cambridgen yliopistosta. Sanjaylla on tutkimuskokemus neuroimagingista, epidemiologiasta ja digitaalisesta terveydestä. Ennen liittymistään Owkiniin yhteistyömanageriksi hän oli vanhempi avustaja Boston Consulting Groupissa, jossa hän keskittyi dataan ja digitaalisiin terveydenhuoltopalveluihin. Hän on potilasturvallisuuskomitean jäsen Royal Society of Medicinessa ja oli aiemmin erityisavustaja Care Quality Commissionissa.

Lue haastattelu Sanjayn kanssa.

Tohtori Stephen Weng, Pääasiantuntija:

Stephen on apulaisprofessori integroidusta epidemiologiasta ja datasta, joka johtaa datasta riippuvaa tutkimusta Primary Care Stratified Medicine Research Groupissa.

Hän yhdistää perinteisiä epidemiologisia menetelmiä ja tutkimussuunnittelua uusiin informaatioteknologiaan perustuviin lähestymistapoihin, jossa hyödynnetään ja tutkitaan “suurta terveydenhuollon dataa” sähköisistä potilastiedoista riskinennustamisen, kroonisten sairauksien fenotyyppien, datasta riippuvien menetelmien tutkimuksen ja stratifioitujen lääketieteellisten sovellusten kääntämiseksi perusterveydenhuoltoon.

Lue haastattelu Stephenin kanssa

Folkert W. Asselbergs, Pääasiantuntija

Folkert on tarkkuuslääketieteen professori sydän- ja verisuonitaudeista Institute of Cardiovascular Sciencessä, UCL, johtaja NIHR BRC Clinical Research Informatics Unitissa UCLH:ssa, professori sydän- ja verisuonigenetiikassa ja kardiologian konsultti University Medical Center Utrechtissa, ja tieteellinen johtaja Durrer Center for Cardiovascular Researchissa, Netherlands Heart Institute. Prof. Asselbergs on julkaissut yli 275 tieteellistä artikkelia ja saanut rahoitusta leDucq-säätiöltä, British ja Dutch Heart Foundationilta, EU:sta (FP7, ERA-CVD, IMI, BBMRI) ja RO1 National Institutes of Healthilta.

Lue haastattelu Folkertin kanssa

Toivomme

Unite.AI:n toivomus on, että käyttämällä biolääketieteellisiä kuvia, genomiikkaa ja kliinisiä tietoja biomarkkereiden ja mekanismien löytämiseen, jotka liittyvät sairauksiin ja hoitotuloksiin, tämä voi edistää seuraavan sukupolven hoitokeinoja COVID-19:n torjumiseksi. Olemme osallistumassa tähän tärkeään projektiin korostamalla henkilöitä, jotka ovat takana tämän tärkeän globaalin ponnistelun.