Projektet vil anvende kunstig intelligens i almen praksis som et redskab til at udvikle og fremme datadreven kvalitetsudvikling i sektoren. De udviklede algoritmer skal fx assistere med automatisk håndtering af indkomne prøvesvar, hvor nærmere uddybelse af prøvesvaret er unødvendig. Algoritmerne kan også være behjælpelige ved sortering af blodprøvesvar ved markering af vigtige udfald, som lægen skal være særligt opmærksomme på og hurtig tage stilling til.

Dette projekt udarbejder en model for anvendelse af kunstig intelligens i almen praksis, som kan bidrage til kvalitetsudvikling samt afhjælpe/lette de praktiserende lægers travle hverdag med tunge mængder af information.

Projektet vil skabe forudsætningerne for en kvalitetsoptimering, hvor de fleste borgere første gang møder sundhedsvæsnet. Smarte løsninger kan understøtte hurtigere prøvesvar til patienterne og frigøre mere tid til patienterne. Derudover vil projektet udvikle et beslutningsstøtteværktøj til tidligere diagnosticering af fx vanskelige eller sjældne diagnoser.

Organisering

Projektet gennemføres i et samarbejde mellem MedCom, Region Nordjylland samt Aalborg Universitet og klyngerne af praktiserende læger i Nordjylland.

Projektet forankres i MedCom, som ejer og driver projektet og sikrer fremdrift samt opsamling på projektets resultater.

Økonomi

Projektet modtager 8 mio. kr. fra investeringsfonden for nye teknologier og digitale velfærdsløsninger.

Tidsplan

Projektet løber fra ultimo 2019 og til medio 2021.

Årligt registreres der cirka 25.000 KOL-relaterede indlæggelser i Danmark, hvor exacerbationer (sygdomsforværring der leder til medicinsk behandling)er den primære årsag. Exacerbationer er associeret med en øget dødelighed samt forringet prognose, lungefunktion og helbredsrelateret livskvalitet.

En anden hyppig årsag til indlæggelser er hjertesvigt, som estimeres at føre til cirka 11.000 årlige indlæggelser i Danmark. Hjertesvigt betragtes som en stor folkesundhedsmæssig udfordring med store økonomiske udgifter.

Hos TeleCare Nord arbejder man på en løsning baseret på kunstig intelligens, der kan styrke de telemedicinske løsninger omkring KOL- og efterfølgende hjertesvigtpatienter. Løsningen skal hjælpe med at finde KOL-patienterne, før exacerbationer leder til en indlæggelse, og så en tidlig behandling kan indsættes. På baggrund af disse erfaringer er en løsning baseret på kunstig intelligens med sigte på hjertesvigtpatienter under udvikling, og vil kunne testes i det eksisterende setup. Projektet indeholder desuden en analyse om, hvorvidt løsningen kan bidrage til at mindske ulighed i sundhed med fokus på sårbare patienter.

Succesfuld prædiktion af patienter med risiko for exacerbationer eller hjertesvigt kan reducere indlæggelser og føre til forbedret livskvalitet for patienten. Patienten vil samtidig kunne få et bedre behandlingsforløb. Derudover vil projektet give et styrket privat og offentligt samarbejde om udviklingen af fremtidige telemedicinske løsninger samt et anseeligt besparelsespotentiale i kommuner og regioner.

Organisering

Projektet gennemføres i et samarbejde mellem TeleCare Nord, Region Nordjylland samt Aalborg Universitet og Aalborg Kommune. Projektet forankres i regi af TeleCare Nord i Region Nordjylland, som ejer og driver projektet og sikrer fremdrift samt opsamling på projektets resultater.

Økonomi

Projektet modtager 3,9 mio. kr. fra investeringsfonden for nye teknologier og digitale velfærdsløsninger.

Tidsplan

Projektet løber fra primo 2020 til ultimo af 2022.

Under det nationale big data forskningsprojekt, DABAI, arbejder Regionshospitalet Randers på at skabe en løsning, der kan præsentere det sundhedsfaglige personale for central information om belægningssituationen på hospitalets afdelinger kombineret med prognoser om den nære fremtid for denne på både afdelings- og patientniveau.

På hospitalsniveau skal løsningen understøtte optimeret og proaktiv tilgang til ressourceplanlægning. Fx ved prognoser af indlæggelsestiden på patientniveau, hvilket understøtter optimal udnyttelse af sengekapaciteten. På patientniveau handler det om bedre forløbsplanlægning og stærkere dialog med patienten. Dialogen kan fx understøttes af en prognose over risikoen for genindlæggelse og kan benyttes til at inddrage patienten mere aktivt i behandlingsforløbet. Dette vurderes særligt relevant i forhold til ældre patienter med behov for ekstra pleje i kommunalt regi efter indlæggelse, hvor de nye løsninger kan styrke det tværsektorielle samarbejde om patienten og forhindre unødvendige genindlæggelser.

Organisering

Projektet kører under det nationale Big Data forskningsprojekt DABAI, hvor Region Midtjylland og Regionshospitalet Randers samarbejder med Systematic om løsningen.

Regionshospitalet Randers vil eje og drive projektet og sikre, at de konkrete løsninger, der frembringes, løbende afprøves og kvalificeres.

Økonomi

Projektet modtager 1,6 mio. kr. fra investeringsfonden for nye teknologier og digitale velfærdsløsninger.

Tidsplan

Projektet løber fra ultimo 2019 til ultimo af 2020.

Danmark er nået langt inden for behandling af tarmkræft, men én ud af fire patienter, der gennemgår tarmkræftkirurgi, får komplikationer inden for de første 30 dage efter operationen. Derudover får én ud af tre patienter tilbagefald inden for de første par år efter operationen. I Region Sjælland vil man med patienten i centrum udvikle en løsning baseret på kunstig intelligens i regi af DTUs life science computercenter til at vælge den rigtige behandling, på det rigtige tidspunkt, for derigennem at forbedre det kirurgiske behandlingsforløb for tarmkræftpatienter.

Regionen vil etablere en ’patients-like-me’ platform på tarmkræftområdet som klinisk beslutningsstøtteværktøj, baseret på eksisterende anonymiserede registerdata på over 55.000 sygdomsforløb over de sidste cirka 20 år. Formålet med projektet er at anvende kunstig intelligens til at identificere højrisikopatienter før de kirurgiske indgreb, så behandlingsforløbet tilpasses, og man reducerer risikoen for komplikationer eller genindlæggelser. Ved at anvende kunstig intelligens kan man forudsige, hvor stor sandsynlighed der er for, at en patient har en komplikation efter en operation, samt hvor stor en sandsynlighed der er for, at patienten bliver genindlagt.

For den enkelte patient er det en stor gevinst at undgå komplikationer og genindlæggelser efter tarmkræftkirurgi og derved sikre optimale forudsætninger for at blive rask. Desuden vil dokumentation af effekten af ovenstående værktøj potentielt kunne have indvirkning på andre specialer, der også har en målsætning om at anvende personlig medicin til behandling af kirurgiske patienter.

Organisering

Projektet ejes og drives af Region Sjællands Universitetshospital, hvor forskerne og projektet kører under eliteforskningskonsortiet EPeOnc i samarbejde med KU, DTU samt andre regioners hospitaler.

Økonomi

Projektet modtager 7,7 mio. kr. fra investeringsfonden for nye teknologier og digitale velfærdsløsninger.

Tidsplan

Projektet løber fra andet ultimo 2019 til primo 2023.

Langt de fleste patienter med prostatacancer bliver opdaget i et tidligt stadie, hvor canceren stadig er afgrænset til prostata. Mange patienter med prostatacancer har ikke behov for en regulær operation for at sikre deres overlevelse, men kan nøjes med mindre indgribende og mere skånsom behandling. Ved operationer er almindelige bivirkninger impotens eller inkontinens, hvilket vil kunne reduceres.

Med henblik på at reducere alvorlige bivirkninger arbejder Odense Universitetshospital med et projekt, hvor kunstig intelligens skal hjælpe til bedre at forstå dannelsen af metastaser ved prostatacancer i forhold til dødelighed og behandlingsbehov, og i forlængelse heraf at udvikle et beslutningsstøtteværktøj, der kan understøtte den lægefaglige vurdering af, hvilke patienter der har behov for en operation.

Projektet anvender kunstig intelligens til at observere, analysere og bearbejde større datasæt fra patienters respektive sygdomshistorie, og herigennem søges det at forudsige cancer- og sygdomsforløb i forhold til prostatacancer. Det forventes, at metoden på sigt kan udvides til andre kræft- og sygdomsområder. Projektet anvender eksisterende data omkring diagnoser, billeddiagnostiske data samt biokemiske og mikrobiologiske data.

Projektet vil inddrage patientperspektivet undervejs, når patienten fx forelægges den lægelige vurdering.

Organisering

Projektet kører ved Odense Universitetshospital med snitflader ind i sundhed.dk, sundhedsdatastyrelsen samt systemleverandør med flere.

Odense Universitetshospital ejer og driver projektet og sikrer, at de konkrete løsninger, der frembringes, løbende afprøves og kvalificeres.

Økonomi

Projektet modtager 5,0 mio. kr. fra investeringsfonden for nye teknologier og digitale velfærdsløsninger.

Tidsplan

Projektet løber fra ultimo 2019 til primo 2022.

PET-skanning benyttes til diagnostik af en lang række lidelser, herunder kræftsygdomme, hjertesygdomme, demens og andre hjernesygdomme. For at optage et PET-billede sprøjtes et radioaktivt mærket sporstof ind i kroppen, hvor der er en klar sammenhæng mellem mængden af det radioaktive stof og skarpheden af skanningsbillederne. Formålet med projektet er at udvikle en ny metode til efterbehandling af billederne baseret på kunstig intelligens, der kan reducere mængden af støj i billeder optaget med lavere dosis og/eller kortere skanningstid, så skanningsbillederne fortsat kan bruges diagnostisk.

Projektet udvikler en algoritme på baggrund af skanningsbilleder foretaget med henholdsvis normalt og nedsat mængde af sporstof, hvor algoritmen kan forudsige billedet skabt med den fulde dosis sporstof ved brug af den nedsatte dosis. Resultaterne og metoden vil herefter blive søgt valideret på specifikke kliniske områder inden for demens, hjertesygdom og kræftsygdom. Data bliver håndteret i Rigshospitalets kliniske systemer. Det er anonymiseret billeddata, der bliver brugt under modeltræningen, mens den færdige algoritmemodel ikke anvender henførbare data.

En lavere stråledosis betyder mindre risiko for senere at udvikle kræft relateret til PET-skanningen. For specielt demenspatienter kan den nedsatte skanningstid endda betyde bedre kvalitet af skanningerne, da mindre bevægelse alt andet lige vil forekomme. Reduceret dosis vil også betyde mindre omkostninger til sporstof-fremstilling.

Organisering

Projektet kører ved Rigshospitalet, der også er ejer af projektet. Det er ligeledes Rigshospitalet der driver projektet og sikrer, at opsamling af viden og resultater løbende afprøves og kvalificeres.

Økonomi

Projektet modtager 2,5 mio. kr. fra investeringsfonden for nye teknologier og digitale velfærdsløsninger.

Tidsplan

Projektet løber fra ultimo 2019 til ultimo 2021.