Zdrowie Cyfrowe

W przyszłości standardy metadanych i możliwość objaśnienia wyników uzyskanych dzięki technologiom sztucznej inteligencji będą odgrywać decydującą rolę w wypełnianiu luki między silosami danych w różnych dyscyplinach badawczych. Bezpieczeństwo i ochrona danych stoją jednak w sprzeczności z pełną, otwartą wymianą danych. Jest to szczególnie zauważalne w dziedzinie medycyny. CASUS koncentruje się na technologiach i rozwiązaniach dla bezpiecznego, inteligentnego i zrównoważonego zarządzania danymi w cyfrowym zdrowiu. Pierwszym scenariuszem aplikacyjnym zaadresowanym przez CASUS jest pomoc pracownikom medycznym w podejmowaniu optymalnych decyzji w leczeniu nowotworów.

Analiza danych pacjentów z wykorzystaniem sztucznej inteligencji wymaga nowych technik. Na przykład, zarządzanie metadanymi i wyjaśnianie zastosowanej sztucznej inteligencji są wymagane do zachowania informacji, które są ważne dla pełnego zarządzania pochodzeniem danych w badaniach interdyscyplinarnych. Jeśli chodzi o wdrożenie, CASUS realizuje ideę umożliwienia uczenia maszynowego w cyfrowym zdrowiu poprzez federacyjne i skalowalne podejście. W ten sposób, analiza, tworzenie modeli i ekstrakcja wiedzy mogą być realizowane blisko danych pacjenta.

Podczas gdy centralne przechowywanie danych skutkuje ogromnym zbiorem danych, podejście federacyjne pozostawia większość danych tam, gdzie one są. Anonimizacja lub przynajmniej pseudoanonimizacja danych nie jest wymagana, w przeciwieństwie do centralnego przechowywania danych. Poprzez sprowadzenie algorytmów analitycznych do danych (a nie na odwrót), prywatność danych jest zapewniona po prostu przez sam projekt procesu. CASUS przejął inicjatywę w opracowaniu rozwiązania open-source dla federacyjnego uczenia maszynowego i sztucznej inteligencji w cyfrowym zdrowiu. Podejście to pozwoli na szkolenie modeli sztucznej inteligencji na danych pacjentów z różnych ośrodków i konsolidację wyników w jeden model.

Aktualności

Zespół