STRATIF-AI, som leds av Gunnar Cedersund vid Linköping universitet, är finansierat av Europe Horizon (EU-kommissionen) med 65 miljoner kronor över fyra år. Projektet har ett mål: att använda digitala tvillingar för att förbättra förebyggande åtgärder, behandling, och rehabilitering av stroke.
Med en digital kopia av en persons kropp, en så kallad digital tvilling, kan avancerad teknik användas för att optimera vården och hjälpa människor att leva hälsosamt. Även om projektet fokuserar på stroke, tror vi att digitala tvillingar kan användas på många andra sätt i framtiden.
Mer tillgänglig vård genom digitala tvillingar och kontinuerlig stratifiering
Idag finns det massor av information om patienter, men den används inte alltid på ett effektivt sätt. Anledningen är att informationen är lagrad på olika ställen och i olika format och vårdgivare har inte alltid tillgång till allt de behöver för att ta hand om en patient på bästa sätt. För att åtgärda detta introducerar STRATIF-AI en ny teknologi - kontinuerlig stratifiering, med hjälp av vår nya STRATIF-AI-plattform.
Inom STRATIF-AI-plattformen samlas all information om patienten kontinuerligt i en personlig DataVault, som patienten själv har kontroll över. Det är som en digital tvilling som hela tiden uppdateras för att visa den senaste versionen av individen.
Användbara appar för strokepatienter
Informationen i den digitala tvillingen kan kopplas till olika appar, som kan hjälpa patienten genom hela dess vårdresa. Till exempel kan en app simulera hur patienten skulle reagera på förändringar i kosten, träningen eller medicineringen. Vi kan observera reaktioner på alla nivåer, från de minsta cellerna i kroppen till hur hela kroppen fungerar och vi kan göra det över olika tidsperioder, allt från några sekunder till flera år.
Digitala tvilling-modeller för strokepatienter
Gunnar Cedersund har i över 20 år arbetat med att simulera mänskliga organ, ungefär som att lägga ett digitalt pussel av den mänskliga kroppen. Detta görs genom att kombinera machine learning och mekanistiska modeller. Han använder maskininlärning och mekanistiska modeller för att samla data och kunskap från sjukhus, universitet och biobanker och skapa riskmodeller för stroke.
I detta projekt kommer vi för första gången att använda denna toppmoderna teknik för att ansluta en serie appar, som tillsammans täcker en hel patientresa för patienter med stroke. Vi kommer att utföra sex nya kliniska studier, vid åtta sjukhus i EU, för att förbättra och validera våra modeller och visa hur samma digitala tvilling kan följa en patient genom alla faser av stroke: från förebyggande, akut behandling och rehabilitering.
