Maskinelæring
Konceptets forudsigende og forebyggende tankegang er en mulighed for at personalisere sundhedsydelser i Europa. Integrationen af donation af personlige data sammen med analytiske værktøjer til big data tilbyder teknologiske muligheder til at styrke og engagere mennesker i deres eget helbred og liv, samtidig med at de introducerer markedspotentialer for digitale sundhedsløsninger.
Diagnostisk forudsigelse
Øget sofistikering og mængden af indsamlede sundhedsdata giver mulighed for tidligere identifikation af sygdom. Specifikt kan mønstre i rutinemæssigt indsamlede sundhedsdata afsløres for at finde og estimere risikoen for sygdom for udiagnosticerede patienter. Brugen af tidligere patientdata, såsom medicinske og receptpligtige påstande, til at drive fremtidige diagnoser kan hjælpe et større antal patienter med at modtage ordentlig pleje og behandling. Denne type patientsygdomsmodellering og diagnostisk forudsigelse er muliggjort af kunstig intelligens og maskinlæring.
CDS værktøjer
Integration af validerede modeller baseret på big data-teknologier til forudsigelse, forebyggelse og intervention ville bruge flere tilgængelige dataressourcer i personaliserede sundheds- og plejeforløb. Dette, leveret på plejestedet, ville gøre det muligt for sundhedsudbyderen at evaluere det rigtige handlingsforløb i realtid og give individer mulighed for aktivt at bidrage til risikoreduktion, forebyggelse og målrettet intervention, forbedre resultater og reducere sundhedsomkostninger. FEMALE vil udvikle tre CDS-værktøjer (klinisk beslutningsstøtte), der skal testes i forskellige kliniske omgivelser for at demonstrere styrken, potentialet, omfanget og anvendeligheden af Scalable Multi-Omics Platform (SMOP), der letter præcisionsmedicin. Sådanne CDS-værktøjer vil være mere forudsigelige for individuelle sygdomsrisici og sandsynligt respons på terapi og har derfor højere klinisk anvendelighed.
FEMALE vil udvikle og demonstrere Skalerbar Multi-Omics Platform (SMOP) der konverterer multi-omics personpopulationsdatasæt til en personlig prædiktiv model for at forbedre intervention langs kontinuummet af pleje for mennesker med endometriose.