KVINDER i en nøddeskal

Om projektet

Udfordringerne såsom: stadig mere aldrende befolkning, flere kroniske lidelser, mangel på sammenhængende overvågning, indsamling og databrug til støtte for kliniske beslutninger og behandlinger, diagnostisk forsinkelse, fejldiagnosticering eller fuldstændig mangel på en diagnose har som resultat, at de europæiske sundhedssystemer er i øjeblikket lydhør, snarere end forebyggende.
Dette vil føre til mange flere patienter, der lider af kroniske sygdomme, reducere livskvaliteten og øge sundhedsudgifterne.

Finding Endometriosis using Machine Learning-projektet (FEMaLe) vil udvikle og demonstrere Scalable Multi-Omics Platform, der konverterer multi-omic personpopulationsdatasæt til en personlig prædiktiv model for at forbedre intervention langs kontinuummet af pleje for mennesker med endometriose.
Vi vil designe, validere og implementere en omfattende model til påvisning og håndtering af mennesker med endometriose for at lette fælles beslutningstagning mellem patienten og sundhedsudbyderen, muliggøre levering af præcisionsmedicin og drive nye opdagelser inden for endometriosebehandling for at levere nye terapier og forbedre livskvaliteten for patienterne.

Vores tilgang

FEMaLe-projektet bygger på deltagelsesprocesser, avanceret computervidenskab, genetik, avancerede teknologier og patientdelte data for at levere:

1

Mobil sundhedsapp til mennesker med endometriose.

2

Tre værktøjer til klinisk beslutningsstøtte (CDS) til målrettede sundhedsudbydere.

3

Computervision-baseret softwareværktøj til augmented reality-styret operation af endometriose i realtid.

Forebyggende responstiltag over for mennesker, der lider af sygdomme, herunder endometriose, vil i høj grad optimere livskvaliteten og også reducere sundhedsomkostningerne, f.eks. gennem reduceret antal operationer, hospitalsindlæggelser og rehabiliteringsprogrammer. Ved at indsamle patientrapporterede data om symptomer i et stort tilfældigt udvalg af personer i den fødedygtige alder, vil KVINDER få valide estimater på omfanget og den geografiske fordeling af invaliderende bækkensmerter i denne gruppe.

Ved at koble disse informationer til eksisterende registerbaserede informationer om diagnoser af endometriose, genetiske biomarkører, sundhedsbrug, anden somatisk og mental sundhed samt socioøkonomiske indikatorer, vil det være muligt både at få et skøn over de sundhedsrelaterede og sociale konsekvenser af diagnostisk forsinkelse, men også at udvikle en fænotypebeskrivelse af mennesker med endometriose til brug for at opnå tidlig diagnosticering og behandling af endometriose med bækkensmerter. Tænk, hvis endometriose kunne diagnosticeres og behandles hurtigere for at mindske denne byrde – ikke kun for dem, der er ramt af endometriose, men også for samfundet generelt.

Vores handlinger

KVINNER vil bekæmpe de negative virkninger af sygdommen på patienter, især den store indvirkning på arbejde, parforhold og sexliv for mennesker med endometriose, og udfordringer for sundhedsudbydere i primær og sekundær pleje. I sidste ende vil det gøre det muligt for sundhedsudbydere og patienter at udføre fælles beslutningstagning for at forbedre informerede beslutninger, patientsikkerhed og personlige behandlingsregimer.

KVINNER vil understrege lighed, etik og empowerment gennem uddannelse i sundhedskompetencer og sikre, at alle patienter, uanset om de er sårbare eller ressourcestærke, kan bruge de kliniske beslutningsværktøjer og opnå maksimale fordele.

FEMaLe frembringer en dybere forståelse af komplekse sygdomme, ikke kun endometriose. Vi vil skabe værktøjer sammen med sundhedsudbydere for at hjælpe med at stratificere patienter for mere præcis diagnose og personliggøre valget af de bedste lægemidler.

Baseret på estimater fra sundhedsvedligeholdelsesorganisationer forventer FEMaLe at være i stand til at reducere de samlede omkostninger ved endometriosebehandling med mindst 20%, lettet ved fælles beslutningstagning, og samtidig forbedre patientresultaterne.