Parte de la medicina avanzada asistida por datos Cáncer de pulmón (ADAMpartlung)

El objetivo de este estudio es preparar y desbloquear datos del mundo real (RWD) en silos para el análisis y la construcción de modelos artificiales con el objetivo de obtener evidencia del mundo real (RWE). Hoy en día, los médicos y las enfermeras recopilan datos de los pacientes y los registran en el sistema de historia clínica electrónica. Los puntos de datos a menudo no están disponibles en un formato estructurado, por lo que la recopilación y el desbloqueo de datos se realizan manualmente a pedido. Un análisis cuidadoso de los datos recopilados utilizando herramientas de inteligencia artificial también podría ayudar a predecir qué pacientes corren el mayor riesgo de uso no programado de atención médica, visitas al departamento de emergencias e ingresos hospitalarios. Por lo tanto, un modelo capaz de predecir los resultados relevantes sería de gran ayuda para la práctica diaria de los médicos.

Objetivo principal Desarrollar y validar un modelo de IA que apoye a los médicos en su proceso de decisión para el tratamiento de pacientes con cáncer de pulmón. Este modelo de IA necesita predecir la probabilidad o evolución de los resultados, para los posibles tratamientos de cáncer de pulmón. Las fuentes de datos de entrada del modelo son datos del hospital como datos demográficos, estado de salud inicial, tratamientos previos, datos de imágenes y datos fisiológicos, datos de tratamiento detallados

Objetivos secundarios

• Desbloqueo automático, recopilación y transformación de puntos de datos de cáncer de pulmón en el modelo de datos común OMOP para que los datos estén disponibles para futuras investigaciones y análisis.
• Construir un paciente digital entrenando un modelo de IA alimentado con todos los datos disponibles en el modelo de datos comunes de OMOP
• Validación de un paciente digital y selección óptima de funciones para mejorar el rendimiento del modelo de IA a través de técnicas de aprendizaje no supervisadas

El potencial de aplicar transformadores para representar a los pacientes es realmente una medicina personalizada e incluso predictiva. La razón es que los transformadores son un instrumento que hace posible tratar con millones de parámetros que interactúan y se comportan de forma no lineal. Por lo tanto, las fuentes de datos de la figura anterior pueden ampliarse para incluir información genética, etc. utilizar la selección de características óptimas de un paciente digital para mejorar el rendimiento del modelo de IA a través de técnicas de aprendizaje no supervisadas, para afinar aún más los modelos de predicción para la práctica diaria.

Para construir un gemelo virtual para representar a un paciente en detalle, de modo que el análisis de población y la construcción de modelos sean clínicamente relevantes.