Nytt forskningsprojekt vill korta vårdköerna efter pandemin

I slutet av september kom beskedet att projektet ASSIST, med biträdande professor Anders Eklund i spetsen, får nio miljoner kronor i anslag. Förhoppningen är att deras forskning om automatiserad analys av hjärnbilder ska kunna frigöra tid för sjukvårdspersonal.

MR-bild på en mänsklig hjärna med en tumör. MR-bilder är en del av forskningen. Sutthaburawonk/iStockphotos

Projektet är en del av ett europeiskt samarbete mellan flera länder (Sverige, Nederländerna, Belgien och Turkiet) där den gemensamma faktorn är den europeiska samarbetsorganisationen ITEA4. Sveriges del i projektet ASSIST koordineras av forskarna vid Institutionen för medicinsk teknik, IMT, med biträdande professor Anders Eklund som ytterst ansvarig. Anledningen till att forskargruppen sökte anslag för just det här projektet är en kombination av flera anledningar, menar han.

– Det passar oss ganska bra och vi har en historia sedan 2015 med liknande projekt och företag, det kändes därför dumt att inte fortsätta när de andra länderna ville fortsätta. Själva processen har tagit lång tid, men som tur var fick vi det beviljat.

IMT:s del i ASSIST fokuserar på hjärntumörer och hur sjukvården, med hjälp av datorer, kan förkorta vårdköerna. Något som är särskilt aktuellt då pandemin skapat en stor vårdskuld.

– Vi vill åstadkomma det genom olika metoder inom så kallad machine learning eller deep learning. I stället för att en läkare gör vissa uppgifter kan man träna en dator att göra dem, fast snabbare, så att läkare kan fokusera på andra saker.

I den svenska delen av projektet finns även fem företag med; RaySearch, Inovia, Spectronic, Scaleout och Eigenvision. Det är ett måste för att projektet ska godkännas av samarbetsorganisationen. Tillsammans med företagen måste forskarna ta fram en så kallad demonstrator som i sin tur måste vara kopplat till det valda området, vilket i LiU:s fall är hjärntumörer.

– De vill ha användarfall där vi visar att de olika parterna gjort något tillsammans, men sen är alla parter ganska fria att jobba på andra spår och kroppsdelar.

En stor del av projektet rör det som kallas federated learning. Ett generellt problem med machine learning, som fokuserar på bilder, är nämligen att det måste finnas en tillgång till mycket träningsdata. Inom medicin försvåras processen ytterligare av etiklagar och GDPR. Tanken är därför att med lösningar utifrån federated learning, som kortfattat innebär att de medicinska bilderna aldrig lämnar sjukhusen, kunna underlätta processen för företag så att de lättare kan få tillgång till data de behöver för att kunna utveckla produkter. Ytterligare ett spår är fokuserat på så kallade syntetiska bilder. Det innebär att en dator ska tränas att skapa helt nya bilder som inte tillhör en specifik person, vilket gör att de kan skickas utan risk för etiska överträdelser.

– Huvudmålet är att spara tid och de två spåren är olika sätt att uppnå det kan man säga.

Anders Eklund menar att projektet är tacksamt eftersom det blir relativt svart på vitt om de lyckas spara sjukvårdspersonalens tid eller ej. Att spara tid är något de flesta kan relatera till och det är något som verkligen spelar roll för många patienter, fortsätter han.

– Om vi kan hjälpa patienter så att de snabbare kan gå tillbaka till sitt vanliga liv, då är det ganska lätt att se nyttan med det.

ASSIST kommer att pågå under tre år och den svenska delen har en budget på 65 miljoner kronor. Projektet finansieras med 32.5 miljoner kronor av Vinnova, varav IMT har tilldelats 9 miljoner kronor.

KontaktVisa/dölj innehåll

Relaterat innehållVisa/dölj innehåll

Relaterat innehållVisa/dölj innehåll

Senaste nytt från LiUVisa/dölj innehåll