Owkin lanserar det samarbetsinriktade COVID-19 Open AI Consortium (COAI)

Efter en färsk finansieringsrunda, lanserade Owkin nyligen Covid-19 Open AI Consortium (COAI). Detta konsortium kommer att möjliggöra avancerad samarbetsforskning och påskynda klinisk utveckling av effektiva behandlingar för patienter som är infekterade med COVID-19.

Det första steget i projektet är att fullständigt förstå och behandla hjärt-kärlkomplikationer hos COVID-19-patienter, detta kommer att utföras i samarbete med CAPACITY, ett internationellt register som arbetar med över 50 center runt om i världen. Andra områden för forskning kommer att inkludera patientresultat och triage, samt förutsägelse och karakterisering av immunsvaret.

Owkins manifest uttrycker perfekt företagets vision:

“Vi är fullständigt engagerade i denna nya gräns med målet att förbättra läkemedelsutveckling och patientresultat. Grundat 2016, har Owkin snabbt etablerat sig som en ledare inom att bringa artificiell intelligens (AI) och maskinlärning (ML) till hälso- och sjukvårdsindustrin. Våra lösningar förbättrar den traditionella medicinska forskningsparadigmen genom att omvandla ett tidigare isolerat, fragmenterat system till ett innovativt och samarbetsinriktat system som, framför allt, sätter patienternas integritet främst.”

Federerat lärande

För att förstå modellen som Owkin engagerar sig i, måste man fullständigt förstå en ny teknik som kallas Federerat lärande. Federerat lärande erbjuder en ram för AI-utveckling som möjliggör för företag att träna maskinlärningsmodeller på data som är distribuerad i stor skala över flera medicinska institutioner utan att centralisera data. Fördelarna med detta är tvåfaldiga, det finns ingen förlust av integritet eftersom data inte är direkt länkad till en specifik patient, och data hålls kvar vid den hälso- och sjukvårdsinstitution som samlar in denna data.

Användningen av Federerat lärande möjliggör därmed en betydligt bredare omfattning av data än vad något enskilt företag besitter internt. Vad detta innebär är att genom att använda Federerat lärande, har forskare tillgång till så mycket data som finns tillgängligt, och ju mer stordata som ett maskinlärningssystem besitter, desto mer exakt blir AI.

Det finns för närvarande flera nationella insatser för att använda AI för att bekämpa COVID-19. Problemet med många av dessa nationella, fragmenterade insatser är att data är specifik för ett land. Insamling av data från en enda region kan misslyckas med att avslöja viktig information som skulle möjliggöra för forskare att fullständigt förstå hur exponering för miljöfaktorer, etnisk sammansättning, genetik, ålder och kön kan spela viktiga roller i förståelsen av denna sjukdom. Detta är varför samarbete är så viktigt, och varför insamling av data från flera jurisdiktioner är ännu viktigare.

Som beskrivs av Owkin, syftar de till att använda Federerat lärande för följande:

“Vi syftar till att hjälpa dem att förstå varför läkemedelseffektivitet varierar från patient till patient, förbättra läkemedelsutvecklingsprocessen och identifiera det bästa läkemedlet för rätt patient vid rätt tidpunkt, för att förbättra behandlingsresultat.”

Att förstå och hantera hjärt-kärlhälsoproblem kommer att vara den första utmaningen som Owkin tar sig an. Lika viktigt som data är, är det ännu viktigare att forskare och bidragsgivare som leder detta arbete engagerar sig. Detta är varför Unite.AI kommer att publicera tre intervjuer med forskare som bidrar till COAI-projektet.

Intervjuerna

Sanjay Budhdeo, MD, Business Development:

Sanjay är en praktiserande läkare. Han har examen i medicinska vetenskaper och medicin från Oxford University och en masterexamen från Cambridge University. Sanjay har forskningserfarenhet inom neuroimaging, epidemiologi och digital hälsa. Innan han anslöt sig till Owkin som Partnership Manager, var han Senior Associate på Boston Consulting Group, där han fokuserade på data och digitalisering inom hälso- och sjukvården. Han sitter i Patient Safety Committee vid Royal Society of Medicine och var tidigare Specialist Advisor vid Care Quality Commission.

Klicka här för att läsa intervjun med Sanjay.

Dr. Stephen Weng, Principal Researcher:

Stephen är biträdande professor i integrerad epidemiologi och datavetenskap som leder datavetenskapsforskningen inom Primary Care Stratified Medicine Research Group.

Han integrerar traditionella epidemiologiska metoder och studieutformning med nya informatics-baserade tillvägagångssätt, som utnyttjar och undersöker “stor hälso- och sjukvårdsdata” från elektroniska patientjournaler för syftet med riskprediktionsmodellering, fenotypning av kroniska sjukdomar, datavetenskapsmetoder och översättning av stratifierad medicin till primärvården.

Klicka här för att läsa intervjun med Stephen

Folkert W. Asselbergs, Principal Investigator

Folkert är professor i precisionsmedicin vid Institute of Cardiovascular Science, UCL, Director NIHR BRC Clinical Research Informatics Unit vid UCLH, professor i kardiovaskulär genetik och kardiolog vid universitetssjukhuset i Utrecht, och chef för det vetenskapliga arbetet vid Durrer Center for Cardiovascular Research, Netherlands Heart Institute. Prof Asselbergs har publicerat över 275 vetenskapliga artiklar och erhållit finansiering från leDucq-stiftelsen, British och Dutch Heart Foundation, EU (FP7, ERA-CVD, IMI, BBMRI), och RO1 National Institutes of Health.

Klicka här för att läsa intervjun med Folkert

Vår förhoppning

Unite.AIs förhoppning är att genom att använda biomedicinska bilder, genomics och kliniska data för att upptäcka biomarkörer och mekanismer associerade med sjukdomar och behandlingsresultat, kommer detta att driva på den nästa generationens behandling för att bekämpa COVID-19. Vi bidrar till detta viktiga projekt genom att belysa personligheterna bakom denna viktiga globala insats.