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

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

Det første stadiet av prosjektet er å fullstendig forstå og behandle hjerte- og karsykdommer hos COVID-19-pasienter, dette vil bli gjennomført i samarbeid med CAPACITY, et internasjonalt register som arbeider med over 50 sentre verden over. Andre områder for forskning vil inkludere pasientresultater og triage, og forutsigelse og karakterisering av immunrespons.

Owkins manifest erklærer selskapets visjon perfekt:

“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) 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 engasjerer, 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 i stor skala over flere medisinske institusjoner uten å sentralisere dataene. Fordelene med dette er to-delt, det er ingen tap av privatliv siden dataene ikke er direkte koblet til en bestemt pasient, og dataene oppbevares i det helseinstitusjonen som samler inn disse dataene.

Bruk av Federert læring muliggjør derfor en betydelig bredere rekke av data enn hva enkeltorganisasjoner har tilgjengelig. Dette betyr at ved å bruke Federert læring har forskerne tilgang til så mye data som er tilgjengelig, og jo mer stor data en maskinlæringsmodell 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. Samling av data fra ett enkelt område 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 innhenting 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 til rett tid, for å forbedre behandlingsresultatene.”

Forståelse og behandling av hjerte- og karsykdommer 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 er i ferd med å lede denne innsatsen. Dette er hvorfor Unite.AI vil publisere tre intervjuer med forskerne som bidrar til COAI-prosjektet.

Intervjuene

Sanjay Budhdeo, MD, forretningsutvikling:

Sanjay er en praktiserende lege. Han har en mastergrad i medisinske vitenskaper og en doktorgrad i medisin fra Oxford University og en mastergrad fra Cambridge University. Sanjay har forskningserfaring i nevroimaging, epidemiologi og digital helse. Før han ble medlem av Owkin som partnerskapsmanager, var han senioransatt i Boston Consulting Group, der han fokuserte på data og digital helse. Han sitter i pasientsikkerhetskomiteen ved Royal Society of Medicine og var tidligere spesialrådgiver ved Care Quality Commission.

Klikk her for å lese intervjuet med Sanjay.

Dr. Stephen Weng, hovedforsker:

Stephen er en assistentprofessor i integrert epidemiologi og datavitenskap som leder datavitenskapsforskningen i Primary Care Stratified Medicine Research Group.

Han integrerer tradisjonelle epidemiologiske metoder og studie-design med nye informasjonsbaserte tilnærminger, og utnytter og undersøker “stor helse-data” fra elektroniske medisinske journaler for å kunne forutsi risiko, karakterisere kroniske sykdommer, data-vitenskapsmetoder og oversette stratifisert medisin til primærhelsetjenesten.

Klikk her for å lese intervjuet med Stephen

Folkert W. Asselbergs, hovedforsker

Folkert er professor i presisjonsmedisin i hjerte- og karsykdommer ved Institute of Cardiovascular Science, UCL, direktør for NIHR BRC Clinical Research Informatics Unit ved UCLH, professor i hjerte- og karsykdommer og konsulentkardiolog ved avdelingen for kardiologi, University Medical Center Utrecht, og sjefsvitenskapelig ansvarlig for 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

Vår 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 den neste generasjonen av behandlinger for å takle COVID-19. Vi bidrar til dette viktige prosjektet ved å fremheve personlighetene bak denne viktige globale innsatsen.