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

Etter en fresk runde med finansiering, har Owkin nylig lansert Covid-19 Open AI Consortium (COAI). Dette konsortiet vil muliggjøre avansert samarbeidsforskning og akselerere klinisk utvikling av effektive behandlinger for pasienter som er infisert med COVID-19.

Den første fasen av prosjektet er å fullstendig forstå og behandle kardiovaskulære komplikasjoner hos COVID-19-pasienter, og dette vil gjøres i samarbeid med CAPACITY, en internasjonal register som arbeider med over 50 sentre rundt om i verden. Andre områder for forskning vil inkludere pasientresultater og triage, og prediksjon og karakterisering av immunrespons.

Owkins manifest erklærer selskapets visjon:

“Vi er fullt engasjert i denne nye grensen med målet om å forbedre legemiddelutvikling og pasientresultater. Grunnlagt i 2016, har Owkin raskt oppstått som en leder i å bringe kunstig intelligens (AI) og maskinlæring (ML) teknologier til helseindustrien. Våre løsninger forbedrer den tradisjonelle medisinske forskningsparadigmet ved å omdanne et tidligere isolert og fragmentert system til et innovativt og samarbeidende ett som, først og fremst, setter pasientens privatliv i første rekke.”

Federert læring

For å forstå modellen som Owkin engasjrer, må man fullstendig forstå en ny teknologi som kalles Federert læring. Federert læring tilbyr en ramme for AI-utvikling som muliggjør at bedrifter kan trene maskinlæringsmodeller på data som er distribuert på skala over flere medisinske institusjoner uten å sentralisere dataene. Fordelene med dette er todelt, det er ingen tap av privatliv siden dataene ikke er direkte koblet til en bestemt pasient, og dataene behandles på helseinstitusjonen som samler inn disse dataene.

Bruken av Federert læring muliggjør derfor en betydelig bredere rekke av data enn hva enkeltorganisasjoner har internt. Dette betyr at ved å bruke Federert læring, har forskerne tilgang til så mye data som er tilgjengelig, og jo mer stor data en maskinlæringsystem har, jo mer nøyaktig blir AI-en.

Det finnes for øyeblikket flere nasjonale innsats for å bruke AI til å takle COVID-19. Problemet med mange av disse nasjonalistiske, fragmenterte innsatsene er at dataene er spesifikke for ett land. Innsamling av data fra en enkelt region kan feile å avsløre viktig informasjon som ville muliggjøre forskerne å fullstendig forstå hvordan eksponering for miljøfaktorer, etnisk sammensetning, genetikk, alder og kjønn kan spille viktige roller i å forstå denne sykdommen. Dette er hvorfor samarbeid er så viktig, og hvorfor innsamling av data fra flere jurisdiksjoner er enda viktigere.

Som beskrevet av Owkin, søker de å bruke Federert læring for følgende:

“Vi søker å hjelpe dem å forstå hvorfor legemiddeleffektivitet varierer fra pasient til pasient, forbedre legemiddelutviklingsprosessen og identifisere det beste legemidlet for den rette pasienten på rett tid, for å forbedre behandlingsresultatene.”

Forståelse og behandling av kardiovaskulær helseproblemer vil være den første utfordringen som Owkin skal møte. Like viktig som data er, er det enda viktigere å ha innsatsen fra forskerne og bidragsyterne som fører an denne innsatsen. Dette er hvorfor Unite.AI vil publisere tre intervjuer med forskerne som bidrar til COAI-prosjektet.

Intervjuene

Sanjay Budhdeo, MD, Business Development:

Sanjay er en praktiserende lege. Han har medisinske vitenskaps- og medisinske grader fra Oxford University og en mastergrad fra Cambridge University. Sanjay har forsknings erfaring i nevroimaging, epidemiologi og digital helse. Før han ble med i Owkin som Partnership Manager, var han Senior Associate i Boston Consulting Group, der han fokuserte på data og digital i helsevesenet. Han sitter i Patient Safety Committee ved Royal Society of Medicine og var tidligere Specialist Advisor ved Care Quality Commission.

Klikk her for å lese intervjuet med Sanjay.

Dr. Stephen Weng, Principal Researcher:

Stephen er en assistant professor i integrert epidemiologi og data vitenskap som leder data vitenskapsforskningen innen Primary Care Stratified Medicine Research Group.

Han integrerer tradisjonelle epidemiologiske metoder og studie design med nye informasjonsteknologiske tilnærminger, og utnytter og undersøker “stor helsevesen data” fra elektroniske medisinske journaler for å kunne gjøre risikoprediksjonsmodellering, fenotypering av kroniske sykdommer, data vitenskapsmetoder og oversettelse av stratifisert medisin til primærhelsetjenesten.

Klikk her for å lese intervjuet med Stephen

Folkert W. Asselbergs, Principal Investigator

Folkert er professor i presisjonsmedisin i kardiovaskulær sykdom ved Institute of Cardiovascular Science, UCL, Director NIHR BRC Clinical Research Informatics Unit ved UCLH, professor i kardiovaskulær genetikk og konsulentkardiolog ved avdelingen for kardiologi, University Medical Center Utrecht, og chief scientific officer ved Durrer Center for Cardiovascular Research, Netherlands Heart Institute. Prof Asselbergs har publisert over 275 vitenskapelige artikler og mottatt finansiering fra leDucq-stiftelsen, British og Dutch Heart Foundation, EU (FP7, ERA-CVD, IMI, BBMRI) og RO1 National Institutes of Health.

Klikk her for å lese intervjuet med Folkert

Vårt håp

Håpet til Unite.AI er at ved å bruke biomedisinske bilder, genetikk og kliniske data til å oppdage biomarkører og mekanismer assosiert med sykdommer og behandlingsresultater, vil dette fremme neste generasjon av behandlinger for å takle COVID-19. Vi bidrar til dette viktige prosjektet ved å fremheve personlighetene bak denne viktige globale innsatsen.