In dit project worden een platform voor het veilig en betrouwbaar delen van grote heterogene databronnen en daarop werkende data-analyse technieken ontwikkeld. Het doel is de beste medische- en lifestyle interventies te bepalen gegeven de betreffende persoonlijke gezondheidssituatie van gebruikers van dit platform. Om mensen zulke op hun persoonlijke situatie toegeschreven gezondheidsadviezen te kunnen geven moet data van deze patiënten zo goed mogelijk geanalyseerd worden. Daartoe zullen verschillende gegevensbronnen moeten worden ontsloten. De privacy-gevoeligheid van medische gegevens en restricties op toegang tot en verwerking van deze gegevens stellen hoge eisen aan de gegevensinfrastructuur. De datagovernance van een dergelijke gegevensinfrastructuur moet de data subjecten (vaak: patiënten) in staat stellen toestemming voor het gebruik te geven, in te trekken en af te dwingen dat alleen toegelaten verwerking van deze data kan plaatsvinden (embedded compliance) en dat het gebruik van die data zodanig wordt geadministreerd dat de legitimiteit kan worden gewaarborgd. Data-beschermingsregelgeving maakt dat de dataverwerkings- (machine learning, statistiek) algoritmen, die overigens soms eveneens (auteurs-)rechtelijke bescherming hebben, moeten worden gedistribueerd over de verschillende dataverzamelingen. Een dergelijk gedistribueerde oplossing is nieuw en levert interessante vragen op, onder andere met betrekking tot: (a) de effecten op de leerresultaten (hoeveel data zijn nodig om een bepaalde conclusie te bereiken over het wel/niet werken van, zeg, een bepaald lifestyle advies?), (b) de schaalbaarheid van de oplossing en, (c) de integreerbaarheid van de geleerde verbanden met het systeem dat gebruikers informeert over de op hun persoonlijke situatie afgestemde gezondheidsadviezen. Adviezen De data is bijvoorbeeld deels uit sensoren verkregen, deels via de huisarts, deels via het ziekenhuis, deels via een d.m.v. een app ingevulde vragenlijst. Op basis van deze data worden adviezen gegeven, waardoor weer nieuwe data gegenereerd wordt. Ook deze data wordt, mits daarvoor toestemming is gegeven weer beschikbaar voor verdere analyse, waardoor een gezondheids-ecosysteem ontstaat, waarmee steeds betere adviezen kunnen worden gegeven. Voor de hierbij benodigde data-analyse zijn nieuwe machine learning en statistische technieken nodig, waarbij patiënten dynamisch in kleine groepen geclusterd moeten worden, en de cluster samenstelling in de loop van de tijd kan veranderen. Dit project wordt uitgevoerd door een interdisciplinair team van medisch specialisten, data scientists, ICTinfrastructuur experts en experts op het gebied van kunstmatige intelligentie en recht, waarmee alle relevante vakgebieden die nodig zijn om te komen tot een adequate oplossing aan boord zijn. De uitvoering van het project gebeurt aan de hand van een aantal representatieve gezondheidsgerelateerde casussen, waarbij naast de betrokken gezondheidsinstellingen ook een toonaangevende leverancier van diagnostische apparatuur betrokken is. De resultaten zullen dan ook al tijdens het uitvoeren van het project impact hebben en daarmee mensen helpen hun gezondheidssituatie te verbeteren. Updates - Website

Partners

SURF

Philips

Antonius Ziekenhuis

KPMG

Antes

L.Bolk

Bekijk alle Commit2Data partners