Partnerskap

Nference planlegger en føderert AI-forskningsplattform med Cedars-Sinai

Lila Rowan
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterPlattformen er planlagt infrastruktur snarere enn et levert produkt, med funksjoner som…
Vis mer
  • Plattformen er planlagt infrastruktur snarere enn et levert produkt, med funksjoner som fortsatt beskrives som tiltenkte.
  • Føderert programvare og legers vurdering tar sikte på å beskytte personvernet samtidig som de harmoniserer rotete kliniske dataformater.
  • Den virkelige testen er om kuraterte longitudinelle data hjelper forskere med å validere hypoteser og bygge nyttige modeller.

nference kunngjorde et langsiktig samarbeid med Cedars-Sinai 20. november 2026 om å bygge en sikker plattform for analyse av avidentifiserte kliniske data fra flere områder innen pasientbehandling. Det planlagte forskningsgrunnlaget omfatter journalopplysninger fra mer enn ti år tilbake for over 5 millioner pasienter, med oppfølging av behandlingen deres over tid.

Plattformen skal fortsatt utvikles, og forsknings- og AI-funksjonene beskrives som planlagte funksjoner. Arbeidet skal gjøre informasjon som genereres under klinisk behandling, om til data klare for forskning innen terapeutiske, diagnostiske og kirurgiske områder. Dermed får forskere et felles grunnlag for å analysere journalopplysninger i ulike, ustrukturerte formater.

Personvern, kuratering og datagrunnlag

nference skal utforme systemet med føderert programvare som skal beskytte pasientenes personvern og harmonisere data fra ulike kliniske formater. Longitudinell kuratering – det vil si organisering av journalopplysninger etter hvert som pasientbehandlingen utvikler seg – skal omfatte legers faglige vurderinger, slik at leger deltar i arbeidet med å klargjøre data for forskning.

De avidentifiserte dataene skal omfatte kliniske notater, laboratoriesvar, legemidler og diagnostiske rapporter, i tillegg til radiologi- og patologiavbildninger, genomisk informasjon, elektrofysiologiske kurver, vitale tegn og målinger fra observasjonsskjemaer. Biologiske prøver som er samlet inn med pasientenes samtykke, skal også inngå.

Hyppige oppdateringer skal tilføre ny informasjon etter hvert som den rutinemessige behandlingen fortsetter. nference ser for seg at denne ressursen, som oppdateres kontinuerlig, skal hjelpe forskere med å få mer detaljert innsikt i hvordan sykdommer oppstår og utvikler seg. Dette er en forventet fordel, ikke et dokumentert forskningsresultat.

Studier, AI-modeller og vitenskapelige mål

Plattformen skal støtte studier ledet av forskere, forskningsprosjekter finansiert med tilskudd, utdanning og kvalitetsforbedring, samt samarbeid med partnere i biovitenskapsindustrien. Den skal også danne grunnlag for at forskere ved Cedars-Sinai og tilknyttede innovatører kan utvikle og evaluere nye AI-modeller.

Legemiddelutvikling, utforming av kliniske studier og framtidige diagnostiske metoder er mulige bruksområder i senere ledd, slik selskapene har pekt på. Disse bruksområdene avhenger av studiene og modellevalueringene plattformen skal gjøre mulig; de er ikke resultater som er kunngjort som allerede oppnådd.

Venky Soundararajan, grunnlegger og medadministrerende direktør i nference, beskrev det planlagte grunnlaget som romlig intelligens for hele kroppen. Målet er å triangulere ulike, ustrukturerte datatyper slik at vanskelige vitenskapelige spørsmål blir enklere å undersøke. «For å forstå helse og sykdom må vi koble sammen det som skjer på tvers av organer, kliniske datatyper og flere tiår av hver enkelt pasients medisinske forløp», sa han.

Sumeet Chugh, prodekan og øverste ansvarlige for forskning på kunstig intelligens innen helse ved Cedars-Sinai, sa at institusjonen forventer at samarbeidet vil hjelpe klinikere og forskere med å lære av den samlede erfaringen fra pasientbehandlingen, validere vitenskapelige hypoteser og få fart på biomedisinsk forskning.

Det umiddelbare resultatet av samarbeidet skal være forskningsinfrastruktur: et personvernorientert miljø som oppdateres jevnlig og kobler klinisk kuratering med utvikling og evaluering av AI-modeller. Den bredere betydningen vil avhenge av om disse kombinerte dataene og kurateringsmekanismene hjelper forskere med å validere hypoteser og utvikle nyttige modeller på tvers av de mange typene pasientinformasjon plattformen er utformet for å koble sammen.

Lila Rowan er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker området hvor kunstig intelligens, helse og mental velvære møtes. Hennes arbeid fokuserer på hvordan AI-drevne verktøy forbedrer diagnostikk, utvider tilgangen til omsorg og støtter mentale helsestjenester på måter som komplementerer - ikke erstatter - menneskelige kliniske eksperter.
Med et medfølende og evidensbasert perspektiv undersøker Lila kliniske studier, implementeringer i praksis og fremvoksende helsesteknologier gjennom et humanistisk perspektiv. Hun er spesielt interessert i AI-applikasjoner som reduserer barrierer for omsorg, forbedrer tidlig oppdagelse og støtter mental velvære samtidig som de respekterer pasientens privatliv, sikkerhet og etiske standarder.
Artikler skrevet av Lila Rowan er AI-generert og gjennomgått av Unite.AIs redaksjonelle team for å sikre nøyaktighet, sensitivitet og ansvarlig rapportering om helse- og mentalvelværesteknologier.