Het uitdiepen van de technisch en regelgevende uitdagingen omtrent het centraal verzamelen van medische data ten behoeve van het trainen van AI vanuit meerdere zorginstellingen. Mogelijkheden ontwikkelen bijvoorbeeld via oplossingen in de cloud, verder uitwerken van concrete oplossingen en daarna proof-of-concept demonstrators uitvoeren.

Doelstelling

Compleet 50%

Het doel van dit project is tweeledig: ten eerste willen we de technische en regelgevende randvoorwaarden rondom het opzetten van een centrale database voor het verzamelen van patiëntgegevens van meerdere zorginstellingen in kaart te brengen. Het is vereist dat de database in de cloud staat en dat deze geschikt is voor continual learning (waarbij algoritmes continu worden getraind op inkomende data). Vervolgens willen we deze bevindingen gebruiken om een proof-of-concept systeem architectuur te bouwen en te evalueren.

Aanleiding

Compleet 75%

Om een AI algoritme te trainen is een aanzienlinke hoeveelheid data van een goede kwaliteit nodig. Bovendien biedt de opmars van cloud computing kansen om databases met dergelijke data on-demand beschikbaar te maken voor uiteenlopende users vanuit zowel de academie als het bedrijfsleven. Maar voor gevoelige data zoals patiëntgegevens brengt het centraal verzamelen, al dan niet in de cloud, veel technische en regelgevende uitdagingen met zich mee. Oplossingen voor toegang, anonimisering, overdracht en het beheer van rechten zijn essentieel. Deze use case draagt bij aan de dHealth WP2 en 3 onderwerpen uitwisseling van data, dataportabiliteit en verwerken van persoonsgegevens.

Resultaten

Compleet 25%

Een gedetailleerd overzicht van de randvoorwaarden en trade-offs waar er rekening mee gehouden moet worden bij het centraal verzamelen van patiëntgegevens. Een reeks technische oplossingen om een systeem architectuur te laten voldoen aan deze randvoorwaarden.

Financiering

Compleet 25%

dHealth project. De usecase biedt voor zowel DASH als ZiuZ aanknopingspunten om hun dHealth in kind bijdrage in te investeren. Dit project brengt verschillende disciplines samen, waaronder software architectuur en ontwikkeling, IT-recht en business/user intelligence. Het wordt een brede samenwerking waar er veel tijd in zal zitten. Het zal nodig zijn om samen met deelnemende partners de scope duidelijk af te bakenen.

Bereik

Compleet 51%

Stakeholders: onderzoekers en data scientists die zich bezig houden met het gebruiken van geannoteerde (patiënt)data om ML algoritmes te trainen, artsen en medische specialisten die gebruik kunnen maken van algoritmes getraind op patiëntdata om een hoger niveau van zorg te kunnen bieden, Zorg-IT specialisten die verantwoordelijk zijn voor het implementeren van veilige oplossingen voor het uitwisselen van (patiënt)data
Dit project is gerelateerd aan de “Federated learning / distributed training” use case waarin we kijken naar het alternatief: het gebruik van federated learning methoden voor het trainen van AI als mogelijke oplossing om het verwerken en uitwisseling van persoonsgegevens te beperken

Randvoorwaarden

Compleet 14%

Wet, regelgeving en standaarden voor het omgaan met persoonsgegevens is niet overal ter wereld hetzelfde en verandert door de tijd heen. We zullen in eerste instantie kijken naar het huidige beleid in Europa (en Amerika).

Zorg IT systemen zijn niet overal hetzelfde. We zullen in eerste instantie kijken naar oplossingen die toepasbaar zijn voor de meest voorkomende Zorg IT (denk aan hix, cerner, epic) oplossingen.

Belangrijkste risico’s:

Wet, regelgeving en standaarden die nog in ontwikkeling zijn en geen definitieve randvoorwaarden stellen.
Daarnaast kan het zijn dat de relevante wet, regelgeving en standaarden verschillen per eindgebruiker, waardoor het ontwerpen van een systeem architectuur complex is (en naar de toekomst toe veel onderhoud vereist)

Centraal verzamelen van data

210001

17/09/2020

Opdrachtgever

Omschrijving