Partnerskap

nference planerar en federerad AI-forskningsplattform med Cedars-Sinai

Lila Rowan
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterPlattformen är planerad infrastruktur snarare än en levererad produkt, med funktioner…
Visa mer
  • Plattformen är planerad infrastruktur snarare än en levererad produkt, med funktioner som fortfarande beskrivs som avsedda.
  • Federerad programvara och läkarbedömning syftar till att skydda integriteten samtidigt som röriga kliniska dataformat harmoniseras.
  • Dess verkliga test är huruvida kurerade longitudinella data hjälper utredare att validera hypoteser och bygga användbara modeller.

Den 20 november 2026 meddelade nference att företaget inleder ett långsiktigt samarbete med Cedars-Sinai för att bygga en säker plattform för analys av avidentifierade kliniska data från flera områden inom patientvården. Den planerade forskningsgrunden omfattar mer än ett årtionde av journaluppgifter från över 5 miljoner patienter och följer deras vård över tid.

Plattformen ska fortfarande utvecklas, och dess forsknings- och AI-funktioner beskrivs som avsedda funktioner. Arbetet är utformat för att omvandla information som genereras under den kliniska vården till forskningsklara data inom terapeutiska, diagnostiska och kirurgiska områden. Det ska ge forskare en gemensam grund för att analysera journaluppgifter i olika, ostrukturerade format.

Integritet, datakurering och datamängdens omfattning

nference ska utforma systemet med federerad programvara som är utvecklad för att skydda patienternas integritet och harmonisera data från olika kliniska format. Den longitudinella kureringen – organiseringen av journaluppgifter i takt med att patientens vård fortskrider – ska omfatta läkarbedömningar, så att läkare medverkar i arbetet med att förbereda data för forskning.

De avidentifierade uppgifterna ska omfatta kliniska anteckningar, laboratorieresultat, läkemedel och diagnostiska utlåtanden samt radiologi- och patologibilder, genomisk information, elektrofysiologiska vågformer, vitalparametrar och mätvärden från flödesblad. Även bioprover som samlats in med patienternas samtycke ska ingå.

Täta datauppdateringar ska tillföra ny information i takt med att rutinvården fortskrider. nference ser framför sig att denna kontinuerligt uppdaterade resurs ska hjälpa forskare att få en mer detaljerad förståelse för hur sjukdomar börjar och utvecklas. Detta är en avsedd nytta, inte ett forskningsresultat som redan har visats.

Studier, AI-modeller och vetenskapliga mål

Plattformen är avsedd att stödja studier som leds av forskare, bidragsfinansierad forskning, utbildning och kvalitetsförbättring samt samarbeten med samarbetspartner inom life science-industrin. Den ska också utgöra en grund för Cedars-Sinais forskare och anknutna innovatörer att utveckla och utvärdera nya AI-modeller.

Läkemedelsutveckling, utformning av kliniska prövningar och framtida diagnostik är möjliga användningsområden i senare led som företagen har identifierat. Dessa tillämpningar är beroende av de studier och modellutvärderingar som plattformen är avsedd att möjliggöra; de är inte resultat som har meddelats som redan uppnådda.

Venky Soundararajan, grundare och med-vd för nference, beskrev den planerade grunden som rumslig intelligens för hela kroppen, avsedd att triangulera olikartade och ostrukturerade datatyper så att svåra vetenskapliga frågor blir lättare att undersöka. ”För att förstå hälsa och sjukdom måste man koppla samman vad som händer i olika organ, inom olika kliniska datatyper och under de årtionden som varje patients sjukdomshistoria omfattar”, sade han.

Sumeet Chugh, prodekan och chef för AI-forskning inom hälso- och sjukvården vid Cedars-Sinai, sade att institutionen räknar med att samarbetet ska hjälpa kliniker och forskare att dra lärdom av den samlade erfarenheten från patientvården, validera vetenskapliga hypoteser och påskynda biomedicinsk forskning.

Samarbetets omedelbara resultat ska bli forskningsinfrastruktur: en integritetsfokuserad, regelbundet uppdaterad miljö som förenar klinisk datakurering med utveckling och utvärdering av AI-modeller. Samarbetets bredare betydelse kommer att bero på om dessa kombinerade data- och kurateringsmekanismer hjälper forskare att validera hypoteser och ta fram användbara modeller utifrån de många typer av patientinformation som plattformen är utformad för att sammanföra.

Lila Rowan är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker skärningspunkten mellan artificiell intelligens, hälso- och sjukvård samt mentalt välbefinnande. Hennes arbete fokuserar på hur AI-drivna verktyg förbättrar diagnostik, utökar tillgången till vård och stöder tjänster inom psykisk hälsa på sätt som kompletterar - inte ersätter - mänskliga kliniker.
Med ett medkännande och evidensbaserat perspektiv undersöker Lila kliniska studier, implementeringar i verkliga miljöer och framväxande hälso- och sjukvårdsteknologier genom ett humanistiskt perspektiv. Hon är särskilt intresserad av AI-tillämpningar som minskar hinder för vård, förbättrar tidig upptäckt och stöder mentalt välbefinnande samtidigt som patienternas integritet, säkerhet och etiska standarder respekteras.
Artiklar skrivna av Lila Rowan är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa noggrannhet, känslighet och ansvarsfull rapportering om teknologier för hälsa och psykiskt välbefinnande.