Ricerca

Questa sezione della piattaforma I AM è dedicata alla mappatura continua dei progetti di ricerca sull'Intelligenza Artificiale in Medicina promossi o partecipati da enti italiani. È possibile segnalare progetti da aggiungere alla piattaforma scrivendo a Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

DataTools4Heart

DataTools4Heart è un progetto europeo che mira a migliorare la gestione delle malattie cardiovascolari tramite lo sviluppo di una piattaforma digitale con una serie di strumenti per l'utilizzo sicuro e federato dei dati in cardiologia, garantendo il rispetto della privacy dei pazienti.

L'obiettivo principale è consentire l'utilizzo su larga scala di informazioni cliniche provenienti da diverse strutture sanitarie in Europa, tramite la conversione dei dati reali dei pazienti in controparti sintetiche, che potranno essere utilizzate liberamente da ricercatori, clinici e data scientist per fini di ricerca in tutto il mondo. La piattaforma include assistenti virtuali basati su IA per aiutare gli utenti a navigare e accedere più facilmente agli archivi di dati multi-sorgente.

Strutture sanitarie di sette Paesi europei (Spagna, Paesi Bassi, Regno Unito, Italia, Svezia, Romania e Repubblica Ceca) - un campione rappresentativo del panorama sanitario del continente - contribuiranno con i propri dati alla costruzione del database federato del progetto DataTools4Heart. Il risultato sarà un importante contributo alla realizzazione dello European Health Data Space.

Le 3 attività principali previste dal progetto DataTools4Heart sono:

Sviluppare uno strumento modulare e flessibile per l’estrazione e la pre-elaborazione dei dati di cardiologia, garantendo le proprietà fondamentali dei dati (rintracciabilità, accessibilità, interoperabilità e riutilizzabilità - FAIR), anche tramite l’integrazione di quattro modelli di dati standardizzati (HL7 V2, HL7 CDA, OMOP CDM e i2B2).
Implementare una suite per l’Elaborazione del Linguaggio Naturale [Natural Language Processing] adattata al dominio della medicina e della cardiologia, in grado di supportare 7 lingue, con lo scopo di standardizzare a livello europeo la struttura dei report in cardiologia
Creazione e validazione di un dataset open-source (CardioSynth) tramite la generazione di dati sintetici, sfruttando i principi della privacy differenziale per proteggere le informazioni personali. I dati sintetici manterranno la rappresentatività della popolazione di riferimento e potranno essere utilizzati senza restrizioni per fini di ricerca.

DataTools4Heart è stato finanziato nell’ambito del programma Horizon EU. Il progetto è coordinato dall’Università di Barcellona e comprende 16 partner, che includono le seguenti istituzioni italiane: Fondazione Policlinico Universitario Gemelli, Linkeus, Studio Legale Panetta, e Translated.

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

Per approfondimenti sui Dati Sintetici in Medicina:
Apri l'articolo di Nature

dIAbetes

L’obiettivo del progetto dAIbetes è lo sviluppo di nuovi modelli in grado di predire - con migliore accuratezza rispetto ai modelli statistici tradizionali - i risultati delle terapie personalizzate per i pazienti affetti da diabete di tipo 2. In particolare, il progetto si propone di sfruttare grandi quantità di dati sanitari raccolti a livello internazionale per addestrare e validare sofisticati Virtual Twin Models dei pazienti diabetici.

A tale fine, dIAbetes comprende le seguenti azioni principali:

Creare un federated database network (dAIbates-Net) per armonizzare e interconnettere i dati relativi a 800.000 pazienti con diabete di tipo 2 provenienti da almeno 6 database internazionali, al fine di potere sfruttare tali dati per sviluppare i modelli predittivi nel rispetto della privacy dei pazienti (e.g. EU GDPR)
- Questo tipo di database non contiene i dati dei pazienti sanitari, ma solo le informazioni relative alla loro esistenza
Utilizzare strumenti di addestramento federato [federated learning] per lo sviluppo dei Virtual Twin Models sfruttando i dati del federated database network (dAIbates-Net)
- L’apprendimento federato non richiede lo scambio di dati personali dei pazienti, ma solo quello di parametri intermedi calcolati localmente dai vari centri coinvolti. Questo permette di utilizzare i dati di più centri in differenti nazioni nel rispetto della normativa privacy.
Validazione dei modelli predittivi basati sui Virtual Twin attraverso la loro applicazione in contesti clinici reali, con il coinvolgimento di almeno 3600 pazienti. L’obiettivo specifico è ottenere modelli con un errore di predizione inferiore del 10% rispetto ai modelli statistici tradizionali
Valutazione degli strumenti di apprendimento federato utilizzati per l’addestramento dei Virtual Twin Models, in particolare per caratterizzarne le performance rispetto all’apprendimento centralizzato e la suscettibilità ad eventuali bias presenti nei dati dei differenti centri

Il progetto è stato finanziato nel contesto del programma Horizon EU. Esso è coordinato dall’Università di Amburgo (Germania) e comprende 13 partners, tra i quali due istituzioni italiane: La Sapienza | Università degli Studi di Roma e Luigi Vanvitelli | Università degli Studi della Campania.

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

Per approfondimenti sui Virtual Twin (o Digital Twin) e le relative applicazioni in medicina:
Apri l'articolo di Nature

Per approfondimenti sul Federated Learning:
Apri l'articolo di Nature

eCREAM

eCREAM - enabling Clinical Research in Emergency and Acute care Medicine - è un progetto di ricerca guidato dall' IRCSS Mario Negri (Milano) e finanziato dall'EU nel contesto del programma Horizon Europe. Il progetto - iniziato nel 2022 e della durata di 5 anni - coinvolge 11 partner provenienti da 8 paesi, tra i quali Francia, Grecia, Polonia, Slovenia e Slovacchia.

L'obiettivo principale del progetto è rendere possibile l'utilizzo dei dati presenti nelle cartelle cliniche elettroniche dei DEA - Dipartimenti di Emergenza e Accettazione (in inglese, ED - Emergency Department) a fini di ricerca clinica e valutazione della qualità delle cure.

A tal fine, eCREAM comprende le seguenti linee di azione:

Sviluppo di un sistema AI per il NLP - Natural Language Processing (Elaborazione del Linguaggio Naturale) capace di estrarre automaticamente dalle cartelle cliniche elettroniche le informazioni rilevanti per le successive analisi e per lo sviluppo di modelli predittivi. Un tale strumento è fondamentale per sfruttare l’enorme mole di dati in forma non strutturata (e.g. testo libero) presenti negli archivi dei DEA, tramite la generazione automatica di dati di alta qualità e rigidamente strutturati.
Definizione di un nuovo modello di cartella clinica elettronica allineato alle esigenze e ai flussi di lavoro dei DEA.
Validazione del sistema di estrazione dei dati sia dai vecchi modelli di cartelle cliniche elettroniche sia dal nuovo modello definito al punto (2).
Sperimentazione degli strumenti sviluppati in due casi d'uso reali: (a) stima della propensione alla ospedalizzazione dei pazienti dei DEA, (b) sviluppo di una dashboard per informare i cittadini in tempo reale sullo stato di congestione presente e previsto dei DEA e per informare i decisori sullo stato di evoluzione di possibili fenomeni epidemiologici.

Tra i partner tecnologici del progetto: la Fondazione Bruno Kessler (Trento), la aziende tecnologiche Orobix Life (Bergamo) e Astir (Milano).

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

Apollo 11 BRI

II progetto Apollo 11 ha l'obiettivo di integrare ed elaborare i dati raccolti dai centri di ricerca in campo oncologico sparsi sul territorio italiano al fine di identificare biomarcatori relativi alla risposta all'immunoterapia nei pazienti affetti da tumore polmonare non a piccole cellule (NSCLC).

A settembre 2024, la rete del progetto - coordinata dall' Istituto Nazionale dei Tumori (INT) di Milano - coinvolge attivamente 9 centri, mentre 23 sono in fase di attivazione.

L'obiettivo finale del progetto è la creazione di un modello in grado di predire la risposta dei pazienti all'immunoterapia attraverso l'applicazione di innovative tecniche di intelligenza artificiale (machine learning) sui dati di differente natura - campioni biologici, immagini radiologiche, dati clinici - raccolti dai centri coinvolti.

Tra le sfide affrontate dal progetto, la risoluzione dei problemi di natura tecnica, legale, etica e organizzativa per poter sfruttare i dati provenienti dai vari centri.

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

Synthema

Il progetto Synthema (Synthetic generation of hematological data over federated computing frameworks) ha l'obiettivo di mitigare il problema della scarsità e frammentazione dei dati relativi alle malattie ematologiche rare. In particolare, il progetto si propone di generare dati affidabili e di alta qualità mediante tecniche basate sull'Intelligenza Artificiale per l'anonimizzazione dei dati clinici e la generazione di dati sintetici.

Finanziato nell'ambito del programma Horizon EU, Synthema realizzerà una piattaforma a livello europeo per la condivisione e l'elaborazione di dati sanitari nel campo della ricerca clinica e traslazionale. Questa piattaforma utilizzerà varie tecnologie - quali Federated Learning , Secure Multi Party Computation e Differential Privacy - per garantire il pieno rispetto della privacy dei pazienti.

Il progetto è guidato dalla Università Politecnica di Madrid e coinvolge 15 partner di 10 differenti paesi. I membri italiani del team sono: Datawizard, Università di Bologna, Humanitas e Università degli Studi di Padova.

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

RE-SAMPLE

Il progetto ha l'obiettivo di sviluppare trattamenti personalizzati per i pazienti affetti da Broncopneumopatia Cronica Ostruttiva (BPCO) e altre malattie croniche complesse sfruttando real-world data (RWD) e algoritmi di IA.

Analizzando i dati generati dal monitoraggio costante delle condizioni fisiche e dei sintomi dei pazienti, RE-SAMPLE si propone di comprendere meglio l'impatto delle caratteristiche cliniche e non cliniche dei pazienti sulla loro patologia, nonché sul benessere mentale e lo stato di salute complessivo. I dati e le relative analisi saranno utilizzati anche per sviluppare modelli predittivi per definire terapie personalizzate e suggerire cambiamenti agli stili di vita per ridurre le complicanze più gravi. Il progetto, guidato dalla Università di Twente (Olanda), coinvolge il Policlinico Gemelli (Roma).

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

I³LUNG

Finanziato dall'EU, il progetto ha l'obiettivo di migliorare l'assistenza e personalizzare il trattamento per i pazienti affetti da tumore del polmone non a piccole cellule (mNSCLC).

Attraverso la raccolta di dati biologici, molecolari, radiologici e clinici di più di 2000 pazienti affetti da questa patologia, I3LUNG mira a sviluppare algoritmi AI/ML in grado di prevedere la risposta individuale ai trattamenti immunoterapici. Attraverso questo strumento sarà possibile stratificare i futuri pazienti mNSCLC e - conseguentemente - definire terapie dedicate per ciascun caso. La personalizzazione delle terapie permetterà di migliorare i risultati clinici e aiuterà nel contenimento dei costi sanitari. Il progetto, guidato dall'Istituto Nazionale dei Tumori (INT) di Milano, coinvolge 13 partner a livello internazionale, tra cui il Politecnico di Milano e l'Istituto Mario Negri.

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

Xai

Il progetto, finanziato dalla European Research Council, è focalizzato sulle modalità per costruire spiegazioni sensate (comprensibili per l'uomo) dei risultati generati dai modelli IA basati sul Machine Learning (apprendimento automatico), ovvero da sistemi di decisione automatica dal funzionamento altrimenti opaco (blackbox).

L'obiettivo è proteggere i diritti umani, migliorare i processi decisionali e preservare l'autonomia individuale nell'era dell'IA. L'applicazione dell'IA in medicina è tra i temi trattati dal progetto, come emerge da uno degli articoli già pubblicati: https://www.mdpi.com/2075-4418/14/7/753 Il progetto coinvolge la Scuola Normale Superiore, l'Università di Pisa, e il CNR.

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

BETTER

Il progetto, finanziato dall'EU e dal Regno Unito, ha l'obiettivo di migliorare la salute dei cittadini europei attraverso la creazione di una infrastruttura tecnologica decentralizzata che permetta agli operatori sanitari di costruire, gestire e analizzare - anche attraverso sistemi IA - grandi volumi di dati (dataset) sanitari provenienti da più fonti (quindi anche transnazionali) in modo efficace, efficiente, sicuro e nel rispetto della privacy (GDPR).

Il progetto prevede tre sperimentazioni pratiche (use cases) che coinvolgono 7 strutture sanitarie. Queste sperimentazioni implementano un paradigma di analisi distribuita chiamato Personal Health Train (PHT). Tale paradigma prevede che i dati sanitari rimangono sempre presso le strutture sanitarie di origine, quello che viene scambiato tra i vari partner sono solo le richieste di elaborazioni sui dati e i risultati di tali elaborazioni. Lo studio è coordinato da DATRIX, società italiana di IA e analisi dati, e coinvolge anche il Politecnico di Milano e l'ospedale Sacco (Milano).

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

JuLIA

Questo progetto EU ha l'obiettivo di analizzare l'impatto dell'uso dei sistemi di Intelligenza Artificiale sui processi decisionali dei tribunali, della pubblica amministrazione, e di attori individuali, quali le aziende private e gli operatori sanitari.

Il progetto dedica particolare attenzione alla valutazione dell'impatto di questa tecnologia sulla protezione dei dati personali, dei diritti dei consumatori e, più in generale, sul rispetto dei diritti fondamentali. Julia è coordinato dall'Università "Pompeu Fabra" di Barcellona, per l'Italia partecipano: l'Università di Trento, la Fondazione Bruno Kessler, e la Scuola Superiore della Magistratura.

Maggiori informazioni sono reperibili sul sito del progetto:
Apri link

Disclaimer: i link presenti in questa pagina aprono contenuti ospitati su siti web esterni di cui AccMed non può essere ritenuta responsabile. I collegamenti a queste pagine esterne sono stati inseriti e controllati l'ultima volta il giorno 24 ottobre 2024. Sarà nostra cura tenere aggiornato questo elenco periodicamente. Eventuali cambiamenti dei contenuti o interruzioni dei collegamenti non possono essere imputati ad AccMed.

Realizzato da