Om CAISR Health

CAISR Health är en forskningsprofil inom informationsdriven vård vid Högskolan i Halmstad, där forskning kring utveckling av AI-verktyg möter forskning kring hur dessa verktyg kan implementeras i vården.

CAISR Health är en tvärvetenskaplig forskningsprofil som samlar forskning från två skolor vid Högskolan i Halmstad. Forskningen bedrivs i nära samarbete med Region Halland, företagen Ambea, Avenga, Capio, InterSystems, Mediqtech, Mölnlycke and Novartis och finansieras av KK-stiftelsen. Förkortningen CAISR står för Centre for Applied Intelligent Systems Research, som är ett forskningscentrum vid Högskolan i Halmstad med stark anknytning till forskningsprofilen.

Förbättra sjukvården med AI

Tillgången till data förändras snabbt inom sjukvården. Beskrivande dataanalys och maskininlärningstekniker kommer att ha en enorm inverkan på sjukvårdsverksamheten inom en snar framtid. I Sverige var Region Halland först med att agera på detta och samla in och framgångsrikt synkronisera alla sina vårddata och skapa en organisation för att använda dessa data för att förbättra sjukvården. Detta har bidragit till utmärkta resultat - under de senaste 4-5 åren har sjukvården i Region Halland uppvisat en anmärkningsvärd effektivitetsökning samtidigt som kvaliteten och tillgången till vård har hållits på toppnivå. Det finns dock utmaningar, och en viktig utmaning är att förstå implementeringen; vilka är de bästa metoderna för att skapa effekt med informationsdriven hälso- och sjukvård, för att få in lösningar i systemet och för att förändra hur människor arbetar? Det finns också möjligheter. Utvecklingen med informationsdriven vård öppnar internationella affärsmöjligheter. Digitala tjänster kan utvecklas för en internationell marknad, inte bara den nationella, och kompetens och metoder kan exporteras (och importeras). Globala affärsinvesteringar inom vård och IT växer därför snabbt.

Illustration från data till insikt

Informationsdriven vård: genom att dra lärdom av slutsatserna från dataanalysen kan förändringar åstadkommas.

Målsättning för CAISR Health

CAISR Health fokuserar på att förstå det informationsdrivna sjukvårdssystemet och bygga upp kunskap om hela kedjan – från att formulera och prioritera frågor, till att utveckla algoritmer, samla in data och möjliggöra engagemang, förklarbarhet och implementering. För att göra detta arbetar CAISR Health längs fyra dimensioner:

  • Forskning
  • Datainfrastruktur
  • Industriellt samarbete och innovation
  • Utbildning och ökad kompetens

CAISR Health hjälper Region Halland att behålla en ledande position i Sverige, och våra industripartners att vara föregångare inom informationsdriven vårdinfrastruktur.

Ämnesområden

CAISR Healths forskning fokuserar på två huvudområden: (1) utveckling av AI och (2) implementering av AI inom hälso- och sjukvården. Båda områdena bygger på tvärvetenskapliga perspektiv för att möjliggöra en ansvarsfull och effektiv användning av AI, vilket omfattar patienters hälsoutveckling, interoperabilitet samt juridiska och etiska aspekter. Vår forskning analyserar longitudinella hälso- och vårddata, samt kvalitativa data från patienter, yrkesverksamma och organisationer, för att förstå patienters hälsoutveckling och utveckla AI/ML-modeller för tidigare upptäckt, personlig förebyggande vård och förbättrade behandlingsvägar, vilket stödjer övergången till precisionshälsa. En av de centrala delarna av vårt arbete är implementering och integration av AI/ML i verkliga hälso- och socialvårdsmiljöer. Vi undersöker hinder för interoperabilitet genom att granska tekniska, organisatoriska och styrningsmässiga faktorer som påverkar säker integration, delning och effektiv användning av data mellan hälso- och socialvårdssystem. Parallellt studerar vi den praktiska implementeringen och utvärderingen av AI/ML-system inom kliniska och vårdrelaterade arbetsflöden, och identifierar de infrastrukturella, institutionella och mänskliga faktorer som påverkar en framgångsrik implementering. Vi undersöker också rättsliga och etiska ramverk som möjliggör ansvarsfull användning av känsliga hälsodata och AI/ML-system, med särskild uppmärksamhet på att skydda patienternas integritet och autonomi.

Organisationskarta över ämnesområdena.

AI-utveckling

Forskningsområdet AI-utveckling fokuserar på att fördjupa förståelsen av data, tidsmässig modellering av elektroniska patientjournaler (EHR) samt domänspecifik förklarbar AI (XAI), samtidigt som vi utvecklar valideringsramverk baserade på verkliga förhållanden för att bedöma rättvisa och minska partiskhet. Vi undersöker också hur integrationen av stora språkmodeller (LLM) och naturlig språkbehandling (NLP) kan bidra till tillförlitliga och skalbara AI-drivna insikter inom hälso- och sjukvården. Tillsammans bidrar dessa insatser till utvecklingen av AI/ML-system som förbättrar vårdleveransen, respekterar patienternas rättigheter och främjar rättvisa hälsoresultat.

Effektbeskrivning för AI-utveckling: Forskningsområdet AI-utveckling främjar tillförlitliga och reproducerbara AI-drivna vårdverktyg, stödjer tidigare och mer exakt riskprognos, främjar transparens och ansvarsskyldighet i kliniskt beslutsstöd, minskar algoritmisk partiskhet och ojämlikheter i hälsa samt stärker datastyrning samtidigt som patienternas integritet skyddas.

Datainnsikt

I takt med att AI blir alltmer integrerat i hälso- och sjukvården strävar vi efter att utveckla skalbara processer för förbearbetning och dataharmonisering för att förbättra datakvaliteten och reproducerbarheten. Genom att förbättra datainnsikten kan vårdorganisationer bättre hantera heterogena, högdimensionella och ofta fragmenterade data över olika system, vilket stärker giltigheten och robustheten hos analysverktyg och AI/ML-modeller.

Tidsbaserad modellering av elektroniska patientjournaler (EHR) och förklarbar AI (XAI)

För att möjliggöra tidigare identifiering av hälsorisker och stödja mer personlig vård utvecklar vi avancerade modelleringsmetoder som kan fånga upp tidsberoenden och komplexa patienthälsoutvecklingar. Vi lägger tonvikt på ansvarsfull och förklarbar AI (XAI) för att säkerställa att AI/ML-modeller inte bara är högpresterande och kliniskt korrekta utan också transparenta, etiska och i linje med patientcentrerade värderingar.

Rättvisa och minskning av partiskhet

Rättvisa är en central prioritering för att förhindra partiskhet som kan förvärra befintliga hälsoskillnader. Vårt mål är att främja rättvis modellprestanda utan att kompromissa med prediktiv noggrannhet. Vi undersöker systematiskt hur partiskhet uppstår i AI/ML-pipelines och hur man utformar metoder för att upptäcka, kvantifiera och minska skillnader mellan demografiska och intersektionella grupper.

Avancerade stora språkmodeller (LLM) och naturlig språkbehandling (NLP)

Genom att förankra generativ AI i etablerade kliniska standarder strävar vi efter att förbättra tillförlitligheten, skalbarheten och den faktamässiga konsistensen hos AI-baserade insikter. För att möjliggöra interoperabilitet och smidig integration mellan olika hälso- och sjukvårdssystem utnyttjar vår strategi stöd från stora språkmodeller för att koppla samman etablerade standarder för hälso- och sjukvårdsdata, såsom openEHR, FHIR och OMOP Common Data Model.

Implementering av AI

Forskningsområdet för AI-implementering fokuserar på att främja en ansvarsfull implementering av AI inom hälso- och sjukvården. Genom att ta itu med utmaningar som rör implementering, omställning av personalstyrkan, etik, förtroende och patientsäkerhet bidrar vi till en effektiv, tillförlitlig och hållbar integration av AI som förbättrar patientresultaten inom olika vårdmiljöer.

Effektbeskrivning för AI-implementering: Forskningsområdet AI-implementering undersöker hur AI/ML tillämpas i hälso- och sjukvårdssystem, dess effekter på vårdpersonalen samt integrationen av etiska principer och förtroende i AI-utvecklingen, med det slutgiltiga målet att förbättra patientsäkerheten.

Implementeringsprocess

Genom fallstudier och samarbetsforskning med partners inom hälso- och sjukvården undersöker vår forskning implementeringen av AI i verkliga hälso- och sjukvårdssystem. Vi undersöker organisatoriska, tekniska och sociala faktorer som påverkar införandet, integrationen och den kliniska användningen av AI/ML, med särskilt fokus på förutsättningar som stödjer en skalbar och effektiv implementering.

Vårdpersonal

AI förändrar yrkesroller och vårdens organisation. Vår forskning undersöker hur AI påverkar vårdpersonalens ansvarsområden, kompetenser och samarbetsformer. Vi är också intresserade av hur interaktionen mellan människa och AI formar arbetsmetoder, stödjer kompetensutveckling och påverkar framtiden för det kliniska arbetet.

Etik och förtroende

Vår forskning undersöker hur etiska överväganden – däribland integritet, partiskhet, öppenhet och ansvarsskyldighet – kan integreras i utvecklingen och implementeringen av AI/ML. Vi bidrar till ramverk och bästa praxis som möjliggör ansvarsfull och etisk AI inom hälso- och sjukvården. En pålitlig AI är avgörande för en hållbar implementering inom hälso- och sjukvården.

Patientsäkerhet

Att säkerställa patientsäkerheten är centralt för en framgångsrik integration av AI i kliniska miljöer. Vi undersöker hur AI/ML-verktyg stöder kliniskt beslutsfattande och interagerar med vårdprocesser, samt identifierar och hanterar potentiella risker relaterade till användningen av AI inom hälso- och sjukvården. Vår forskning syftar till att stödja en säker, tillförlitlig och högkvalitativ användning av AI inom hälso- och sjukvården.

Publicerad

Uppdaterad


Dela