Opis projektu
Algorytm uczenia maszynowego umożliwiający wczesne przewidywanie zakażeń pooperacyjnych
Około 25 % pacjentów poddawanych zabiegom chirurgicznym w Europie doświadcza powikłań pooperacyjnych w postaci zakażenia. Holenderska firma Healthplus.ai opracowuje zaawansowany algorytm uczenia maszynowego umożliwiający przewidywanie – z dokładnością równą 80 % – zakażeń pooperacyjnych na pięć dni przed rozpoznaniem infekcji przez lekarzy. Zespół finansowanego ze środków UE projektu PERISCOPE zamierza rozbudować zestaw danych i w ten sposób osiągnąć dokładność powyżej 90 % na pięć dni przed wystąpieniem u pacjenta objawów potencjalnego zakażenia. Projekt skupi się także na przygotowaniu zrównoważonego modelu i planu biznesowego, tworzeniu partnerstw oraz kwestiach prawnych i regulacyjnych.
Cel
Some 50M people need to undergo inpatient surgery per year in Europe Yet, despite intensive research efforts, around 25% of surgical patients will experience a complicated recovery with some type of infection on their path: pneumonia, urinary tract infections, wound infections, abdominal infections and bacteremia. Of course, the risk varies depending on the patient and the procedure, but despite efforts like biomarkers, risk scores or devices for early warning/detection, and preventive methods like ‘Enhanced Recovery After Surgery’ (ERAS), the overall risk still leaves almost one in four patients to get an infection within 30-days after surgery.
If we look beyond the personal suffering of patients and relatives, the cost of an infectious complication is estimated at around €10,000 per patient. Hence, total cost in only the Netherlands alone can be calculated at up to €3.5B per year, as approximately 350,000 Dutch patients go through an infection after surgery yearly. Total EU costs are even more shocking at an estimated €125B per year.
Healthplus.ai R&D BV is currently developing an advanced machine-learning (ML) algorithm (TRL level 4) to predict post-operative infections 5 days prior to the average medical team diagnosis, currently already achieving an accuracy of 80%. Through increasing the dataset and taking on more types of data, the ultimate goal is to ultimately achieve >90% accuracy at 5 days before the infectious symptoms on average are actually detected within the patient.
In this proposal, we seek how to go beyond the proven technical feasibility and assess channels to deliver the tool in a safe, affordable and scalable way through third-party vendors with a sustainable business model and plan with the right partnerships and intensify these relationships. Also, potential legal and regulatory issues with EU expansion will be identified, investigated and suitable measures outlined.
Dziedzina nauki
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Program(-y)
Temat(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-SMEInst-2018-2020-1
System finansowania
SME-1 - SME instrument phase 1Koordynator
1017 AZ AMSTERDAM
Niderlandy
Organizacja określiła się jako MŚP (firma z sektora małych i średnich przedsiębiorstw) w czasie podpisania umowy o grant.