Personalised Medicine by Predictive Modelling in Stroke for better Quality of Life (PRECISE4Q)

En grafisk illustration av en människa som upplever en stroke

Stroke är ett av vår tids allvarligaste medicinska problem, ett problem som har stor inverkan på folkhälsa och samhällsekonomi. Projektet Personalised Medicine by Predictive Modelling in Stroke for better Quality of Life, PRECISE4Q, har som mål att minimera de negativa följderna av stroke - för individen och för samhället.

Projektet kommer att skapa multidimensionella datadrivna prediktiva simuleringsmodellmodeller som för första gången möjliggör personlig strokebehandling, där patientens behov tillgodoses i fyra steg: förebyggande, akut behandling, rehabilitering och återanpassning. Linköpings universitet deltar huvudsakligen med metoder för semantisk integration av datakällor och modeller för att förutsäga individualiserad risk för stroke.

Semantisk integration av datakällor

Mängden data i vårdsystemet är enormt, men data lagras vanligtvis i olika format för olika vårdorganisationer eller till och med för olika patienter. För att kunna använda denna diversifierade sjukvårdsdata effektivt för att skapa och validera modeller måste data från olika källor ändras till ett konsekvent och jämförbart format. För att lösa detta problem arbetar vi med ontologibaserad dataintegration där data från alla källor anpassas till PRECISE4Qs ontologi. Lagrad data har en rad olika format, med olika skalor och på olika detaljnivå m.m. på grund av varierande krav när informationen samlades in. En uppsättning logiska transformationer utvecklas därför för att överbrygga sådana skillnader i datakällor. Exempelvis aggregerar taxonomiska transformationer med användning av PRECISE4Q-ontologin data till mer generiska kategorier. Ett mer komplext exempel är harmoniseringen av kvantitativa och kategoriska representationer av samma fenomen (t ex glukos <65 mg / dL = hypoglykemi). Datakällor kan ha grupperat data olika i källinformationsstrukturer och representerat epistemiska egenskaper och negation på olika sätt. För variablerna i datakällorna kommer:

  • Skillnader i datastrukturen att identifieras och kategoriseras
  • Kraven på informationstransformationer att undersökas och utvecklas beroende på datakällans struktur och modelleringskrav som framkommer av behövd information
  • Tranformationsregler att definieras och verifieras
  • En resonemangskedja att ställas upp enligt kraven

Individualiserad förutsägelse av risk för stroke

För att bättre kunna förhindra att en person utvecklar stroke skapar vi en modell som kan förutse den individualiserade risken för stroke med en tidshorisont på 3 till 5 år. Genom att använda modellen kommer vi att kunna göra individuella simuleringar över tid av utvecklingen av strokesrisk under olika behandlingsförhållanden (medicinering och förändringar i patientens livsstil). Resultat från denna modell kommer att göra det möjligt för vårdpersonal att utveckla personliga interventionssystem för sina patienter. Modellen kommer att vara en hybridmodell. En mekanistisk modell kommer att skapas genom att kombinera flernivåmodeller och långsiktiga förutsägelsesmodeller. Denna modell kommer att integreras med maskininlärningsmodeller vilket resulterar i en simuleringsmodell med flera nivåer och flera skalor. Modellen kommer att valideras med hjälp av registerdata. När den har validerats kommer simuleringsmodellen att förutsäga strokesrisk baserat på viktiga patientparametrar som utvecklas över tid, som svar på olika behandlingar av exempelvis diet, motion och medicinering.

Projektgrupp
Visa/dölj innehåll

Mer information
Visa/dölj innehåll

Relaterat innehåll
Visa/dölj innehåll