Maschinelles Lernen
Die vorausschauende und präventive Denkweise des Konzepts ist eine Gelegenheit, die Gesundheitsversorgung in Europa zu personalisieren. Die Integration der Spende personenbezogener Daten zusammen mit Big-Data-Analysetools bietet technologische Möglichkeiten, um Menschen in ihrer eigenen Gesundheit und ihrem Leben zu stärken und zu engagieren, während gleichzeitig Marktpotenziale für digitale Gesundheitslösungen geschaffen werden.
Diagnostische Vorhersage
Die zunehmende Ausgereiftheit und Menge der gesammelten Gesundheitsdaten bietet die Möglichkeit, Krankheiten früher zu erkennen. Insbesondere können Muster in routinemäßig gesammelten Gesundheitsdaten aufgedeckt werden, um das Krankheitsrisiko für nicht diagnostizierte Patienten zu finden und abzuschätzen. Die Verwendung vergangener Patientendaten, wie z. B. medizinischer und verschreibungspflichtiger Angaben, um zukünftige Diagnosen voranzutreiben, kann dazu beitragen, dass eine größere Anzahl von Patienten eine angemessene Versorgung und Behandlung erhält. Diese Art der Patientenmodellierung und diagnostischen Vorhersage wird durch künstliche Intelligenz und maschinelles Lernen ermöglicht.
CDS-Tools
Die Integration validierter Modelle auf der Grundlage von Big-Data-Technologien für Vorhersage, Prävention und Intervention würde mehrere verfügbare Datenressourcen in personalisierten Gesundheits- und Pflegepfaden nutzen. Am Point of Care bereitgestellt, würde es dem Gesundheitsdienstleister ermöglichen, die richtige Vorgehensweise in Echtzeit zu bewerten, und den Einzelnen befähigen, aktiv zur Risikominderung, Prävention und gezielten Intervention beizutragen, die Ergebnisse zu verbessern und die Gesundheitskosten zu senken. FEMaLE wird drei CDS-Tools (Clinical Decision Support) entwickeln, die in verschiedenen klinischen Umgebungen getestet werden sollen, um die Leistungsfähigkeit, das Potenzial, den Umfang und den Nutzen der Scalable Multi-Omics Platform (SMOP) zu demonstrieren und die Präzisionsmedizin zu erleichtern. Solche CDS-Tools werden individuelle Krankheitsrisiken und das wahrscheinliche Ansprechen auf die Therapie besser vorhersagen und daher einen höheren klinischen Nutzen haben.
FEMaLE entwickelt und demonstriert die Skalierbare Multi-Omics-Plattform (SMOP) das Multi-Omics-Personenpopulationsdatensätze in ein personalisiertes Vorhersagemodell umwandelt, um die Intervention entlang des Kontinuums der Versorgung von Menschen mit Endometriose zu verbessern.