Nye bevillinger til kunstig intelligens

​2,2, mio. kr. er uddelt projekter, der skal udbrede kunstig intelligens i regionen med det overordnede formål at forbedre muligheder for forebyggelse, diagnostik og behandling af borgere og patienter. 

Vent...

Hvorfor midler til kunstig intelligens?

Kunstig intelligens (AI)-puljen på i alt 3 mio. kr. er at sikre en bredere forankring af brugen af kunstig intelligens i regionen. Der er i 2020 fokus på 3 spor:

  • Afprøve og udvikle brugen af kunstig intelligens til konkrete løsninger gennem konkrete udviklingsprojekter (2,2 mio. kr.)
  • Opbygge bedre muligheder for erfaringsudveksling, herunder til netværk og en digitalt understøttet platform (0,45 mio. kr)
  • Udvikling af lærings- og træningsaktiviteter, som skal modne selve organisationen til digital transformation, herunder understøttelse af sundhedspersonalets kompetencer, så de bliver bedre klædt på til at arbejde med kunstig intelligens, bl.a. gennem en digital løsning (0,38 mio. kr.)

Målgruppen for projektpuljen var ansøgere (2,2 mio. kr.), der enten ønskede at komme i gang med et projekt eller at teste og implementere en færdig algoritme. Administrationen har nu fordelt midlerne.

Hvad er kunstig intelligens?

Kunstig intelligens betegner en type software (en algoritme), der kan afkode store mængder af data såsom tekst, billeder, grafer, tal og andre typer data mere præcist og på kortere tid end vi mennesker har kapacitet til. Ved hjælp af menneskelig modellering trænes algoritmen til at genkende mønstre, stille diagnoser og komme med behandlingsforslag.

Læs mere om arbejdet med kunstig intelligens i regionen

Oversigt over bevillingerne

  • Ansøgninger i hele runden: 38
  • Ansøgt beløb i alt: 12.196.059
  • Afslag: 30 (78,9 %)
  • Bevillinger: 8 (21,1 %)
  • Bevilget beløb: 2.215.383

Beskrivelse af de 8 nye projekter

Bedre og mindre indgribende søvnregistrering hos børn med søvnproblemer

Ansøger: Ceclile Paulsrud, læge og klinisk assistent, afdelingen for børn og unge, Herlev Gentofte Hospital, phd studerende.
Bevilling: 315.000 kr
Projektbeskrivelse: Søvnproblemer hos børn er ofte associeret med adfærds – og indlæringsproblemer samt en række kroniske sygdomme. For at kunne screene og kategorisere børn og unge med mulige søvnforstyrrelser, og efterfølgende at kunne finde frem til den rette behandling ved brug af en algoritme, er det essentielt at have et valideret søvnspørgeskema. Vi vil i dette studie validere et spørgeskema med tre objektive mål for søvn, actigrafi (AG), polysomnografi (PSA)samt videosomnografi (VSG) på 144 børn - både raske og kronisk syge. Til dette bruges Teton.ai’s ”Deep learning and computer vision system”, der er et nyt kamera til at måle søvn objektivt. Vi ønsker at validere brugen af kameraet, da den metode er mindre indgribende end polysomnografien, og man vil på sigt potentielt bedre kunne vurdere årsager til søvnforstyrrelserne, da man kan optage over flere nætter.

Bedre patientsikkerhed med brug af kunstig intelligens (WARD – AI clinical support system to improve patient safety)

Ansøger: Christian Sylvest Meyhoff, forskningsansvarlig overlæge, Anæstesiafdelingen, Bispebjerg og Frederiksberg Hospital
Bevilling: 315.000 kr.
Projektbeskrivelse: Monitering af patienters tilstand med vitalparametre som blodtryk, iltmætning, puls og vejrtrækning er i dag arbejdstungt, manuelt og sker med op til 12 timers mellemrum, hvilket giver risiko for uobserveret kritisk forværring og unødige komplikationer. WARD-projektet har udviklet et AI-støttet klinisk supportsystem, som gennem en app på sygeplejerskernes arbejdstelefoner viser vitalparametre 24/7 fra trådløse sensorer på patienterne. Alarmer er raffineret med AI, så der kun alarmeres ved relevante afvigelser og derved undgås alarm-træthed. Efter store succesfulde pilotstudier udfører WARD nu i 2021 en unik indsats ved at teste og implementere dette system i Region Hovedstaden, Sjælland, Syddanmark, Midt- og Nordjylland i 3 store patientgrupper (n=800). Dette delprojekt udgøres af en implementerings-specialist, som bl.a. skal udvikle en IT-arkitektur for support og automatiseret oplæring af slutbruger samt videreudvikle brugergrænsefladen baseret på input fra brug i dagligdagen.

Kunstig intelligens indtegning af multipel sclerose patienter

Ansøger: Claes Nøhr Ladefoged, Postdoc, klinisk fysiologi, nuklearmedicin og PET, Rigshospitalet.
Bevilling: 311.106 kr
Projektbeskrivelse: Multipel Sclerose (MS) er en sygdom i det centrale nervesystem, hvor neuronerne i hjernen nedbrydes, hvilket forårsager smerter og gradvis invalidering. På magnetisk resonans (MR) skanninger kan de nedbrudte celler ses som ”hyperintense” områder kaldet læsioner, og udbredelsen samt udviklingen af disse læsioner er i dag en afgørende del af diagnosticering og monitorering af MS-patienter. Automatisk indtegning af læsionerne ved brug af kunstig intelligens kan potentielt frigive meget tid for radiologer og klinikere samtidig med, at det nedbringer variansen i beskrivelserne betydeligt. Vi har udviklet en kunstig intelligens metode på et lokalt datasæt, og vil i projektet undersøge hvor præcist denne kan indtegne læsionerne på et stort dataset optaget på flere skannere. Hvis metoden virker, vil vi implementere den til brug i klinisk rutine i det kliniske system PACS.

Opsporing af patienter med tarmsygdomme i høj risiko for at dø

Ansøger: Felix Müller, Reservelæge, Radiologisk Afdeling, Herlev og Gentofte Hospital
Bevilling: 285.300 kr
Projektbeskrivelse: Patienter med hul på tarmen, tarmslynge og blodprop i tarmen (AHA-patienter) har en meget høj risiko for at dø. På Herlev og Gentofte Hospital arbejdes der målrettet med at få AHA-patienter i særlige forløb, men ca. halvdelen af patienterne kan ikke opspores med den nuværende metode. Her har vi sammen med et privat firma, udviklet en kunstig intelligens algoritme, som kan opspore nogle af disse patienter automatisk ud fra en CT skanning. Hvis algoritmen opnår de samme resultater i klinisk praksis vil det medføre, at flere af de ca. 2500 patienter som årligt opereres i Danmark overlever, fordi hullet i tarmen bliver opdaget før. I det aktuelle projekt, vil vi derfor teste om algoritmen fungerer som forventet på en stor gruppe af AHA-patienter, hvilket er det første skridt i implementeringen.

Udvidet anvendelse af billeder til præcisionsdiagnostik af hjertepatienter

Ansøger: Henning Bundgaard, Professor, overlæge, konsulent i kardiologi, Kardiologisk Afdeling, Hjertecentret, RIgshospitalet
Bevilling: 93.426 kr
Projektbeskrivelse: Globalt set er hjertesygdomme, som følge af forsnævringer af årerne, der forsyner hjertet med blod og ilt (iskæmisk hjertesygdom (IHD)) den tredje hyppigste årsag til tabte leveår. En undergruppe af patienter med IHD bærer hovedparten af sygdommens alvorlige komplikationer; nye blodpropper, hjertesvigt og pludselig død. Frygten for disse komplikationer har ført til omfattende overbehandling. Overbehandlingen er en belastning for både patienterne og sundhedsvæsenet, og vi ønsker at blive bedre til at identificere de patienter, der ikke har gavn af standardbehandlingen. Den vigtigste undersøgelse ved mistanke om IHD er undersøgelse af kranspulsårerne. Vha. kunstig intelligens vil vi hente langt mere information ud af disse undersøgelser for at kunne skelne mellem patienter, der er i risiko for komplikationer, og dem der IKKE er i risiko, og som derfor ikke har gavn af medicin og opfølgning. Målet er at udvikle et diagnostisk værktøj, som kan støtte den lægefaglige vurdering af hver enkelt patient og dermed sikre individuel ”personlig medicin”.

Effektivisering af arbejdsgange i radiologien og akutmodtagelsen gennem brug af kunstig intelligens

Ansøger: Kasper Kjærulf Gosvig, overlæge, teamleder, PhD, afd X Herlev Gentofte Hospital
Bevilling: 274.500 kr
Projektbeskrivelse: Indenfor neurologien og neuroradiologien er der fokus på at anvende akut MR-skanning til udredning af neurologiske patienter hele døgnet. I den eksisterende arbejdsgang, skannes patienter med en CT-skanning, som kan udelukke blødning, men sjældent tilføjer yderligere diagnostisk værdi. Blodprop i hjernen kan ikke pålideligt diagnosticeres med CT-skanning. MR-skanning udføres først dagen efter, da der ikke er neuroradiologiske læger til stede om aftenen og natten. Derfor vil vi anvende kunstig intelligens-produktet, Apollo (Cerebriu AS), til at udgøre noget af rapporteringskompetencen om aftenen og natten, så patienten tilbydes samme undersøgelse uanset tidspunkt på døgnet. Før vi implementerer Apollo i klinisk praksis, er det nødvendigt at vide, at IT-flow fungerer, at neurologer og radiologer forstår dets funktionalitet, og at det faktisk er til gavn for patienterne. I dette projekt vil vi gennemføre pilot studier, som skal danne teknisk grundlag samt forståelse for værdiskabelse før et større randomiseret studie.
 

Kunstig intelligens til kirurgisk risikoprædiktion

Ansøger: Martin Hylleholt Sillesen, Afdelingslæge, PhD, Klinisk forskningslektor, Kirurgisk afdeling C, Rigshospitalet.
Bevilling: 315.000 kr.
Projektbeskrivelse: Komplikationer efter kirurgiske indgreb rammer op imod 15% af alle patienter i form af infektioner, blodpropper eller organsvigt. Ud over den negative effekt for den enkelte patient, er disse komplikationer også associeret med en markant øget økonomisk sundhedsudgift til behandlingen. Komplikationer kan som udgangspunkt forhindres såfremt en effektiv og præcis risikovurdering løbende kan foretages. Værktøjer til en sådan risikovurdering er dog på nuværende tidspunkt for upræcise til klinisk brug. Vores forskergruppe har netop bygget en kunstig intelligensmodel, trænet på data fra over 6 millioner kirurgiske patienter, der præcist er i stand til at forudsige den enkelte patients risiko for komplikationer efter et kirurgisk indgreb, baseret på de tilgængelige sundhedsinformationer i patientens journal. Med dette projekt ønsker vi at undersøge om denne model kan overføres til danske forhold, mhp. at optimere risikovurderingen af danske kirurgiske patienter. Projektet er en videreførelse af en 5-årig forskningsindsats, støttet af Novo Nordisk fonden og rettet mod at indføre personlig medicin til kirurgiske patienter.

Opbygning af billedbaseret læringsdatabase med hudtumorer

Ansøger: Niels Kvorning Ternov, PhD studerende, projekt leder AISC-konsortiet, Afdeling for Plastikkirurgi, Herlev Gentofte Hospital.
Bevilling: 306.051 kr
Projektbeskrivelse: Antallet af nye hud- og modermærkekræft tilfælde om året stiger verden over, og det tager aktuelt mere end seks år for en læge at blive tilstrækkelig dygtig til at genkende hud- og modermærkekræft. Den lange læringskurve resulterer i fejldiagnosticering, med både forsinket behandling såvel som overdiagnostik, og unødig fjernelse af fredelige modermærker. Dette projekt har til formål at opbygge verdens største og mest komplette billeddatabase inden for modermærkekræft til brug for læring og diagnostik. Projektet udføres af det RegionH funderede forskningskonsortium, AISC (AI augmented training and feedback in Skin Cancer diagnostics). Projektet er en del af et andet projekt ”DermLoop”, som undersøger hvorledes kunstig intelligens, kan bruges til at optimere lægers uddannelsesforløb, samt yde individuelt tilpasset beslutningstøtte indenfor hudkræft diagnostik. Projektet er et kritisk delprojekt under DermLoop projektet, hvis overordnede projekt succes afhænger af mængden af cases i den samlede lærings database.


Redaktør

Kommentarer 

Du skal være logget ind for at benytte denne funktionalitet.

Opret profil
RSS kommentarspor Tilmeld kommentarspor