Digital health, big data og kunstig intelligens

Forperson

Charles Vesteghem, gruppeleder, Clinical IA, CLINDA - Center for Clinical Data Science

Forskning

En væsentlig prioritet bliver udvikling af metoder til effektiv og sikker adgang til store datamængder, herunder kliniske kræftdata, billeddata fra radiologi og patologi samt molekylære profiler. Faciliteret indhentning af data ses som afgørende for at kunne udvikle og validere avancerede modeller. Et fokus er etableringen af en fælles analyseplatform mellem AAU og Region Nordjylland, der kan understøtte tværgående kræftprojekter og muliggøre hurtigere dataudveksling. Samtidig prioriteres brugen af nye og supplerende datakilder, såsom PRO‑data og data fra wearables, med henblik på at opnå et mere helhedsorienteret billede af patienters livskvalitet, symptomer og behandlingsforløb.

Implementering

Implementering i klinisk praksis udgør en selvstændig prioritet, hvor der er særlig opmærksomhed på organisatoriske barrierer, interoperabilitet og samarbejde på tværs af fagligheder og institutioner i kræftområdet. For at realisere potentialet i datadrevne løsninger er adgang til "live" kliniske data via API’er central, ligesom der arbejdes med at integrere digitale løsninger, inklusive sprogmodeller og andre AI‑baserede værktøjer, direkte i eksisterende arbejdsgange.

Mødedatoer

Følgende møder for satsningsområdegruppen er allerede planlagt:

• Ét møde før sommerferien 2026
• Ét møde inden KKFC’s årsmøde i oktober.

Herefter planlægges to faste årlige møder, henholdsvis i januar og i juni.

Medlemmer

• Lasse Riis Østergaard
• Esben Bolvig Mark
• Mathias Ellgaard Cook
• Palle Duun Rohde
• Lasse Ringsted Mark
• Heidi Søgaard Christensen
• Rasmus Froberg Brøndum
• Martin Bøgsted
• Charles Vesteghem

Projektoversigt

Korttidsmortalitet for at undgå kontra‑produktive behandlinger – Lungekræft

Systemisk antineoplastisk behandling og strålebehandling af lungekræft medfører ofte bivirkninger, der forringer patienternes livskvalitet. Behandlingerne kan derfor være kontra‑produktive, hvis patientens overlevelse er for kort til, at der opnås nogen klinisk gevinst. Beslutningsstøtteværktøjer til prædiktion af korttidsmortalitet hos patienter med lungekræft er primært udviklet på baggrund af strukturerede data, men en stor mængde klinisk relevant information findes udelukkende som fritekst i journalnotater. Projektet undersøger udtræk af klinisk information fra tekst samt integrationen med strukturerede data (diagnoser, procedurer, laboratoriesvar m.m.) med henblik på at udvikle maskinlæringsmodeller, der kan forudsige risikoen for korttidsmortalitet blandt palliative lungekræftpatienter.

Kontakt: Charles Vesteghem, charles.vesteghem@rn.dk

Prædiktion af behandlingsrespons – Ovariecancer

Standardbehandlingen for patienter med ovariecancer består af cytoreduktiv kirurgi kombineret med platinbaseret kemoterapi. Imidlertid responderer 10–20 % af patienterne ikke på platinbaseret kemoterapi og udsættes dermed for behandlingsrelateret toksicitet uden klinisk gevinst. Tidlig identifikation af non‑respondere er afgørende for at kunne understøtte personaliserede behandlingsstrategier. Projektet undersøger udviklingen af en prædiktiv model til klinisk beslutningsstøtte ved ordination af systemisk anti‑cancer behandling (SACT). Multimodal AI anvendes til at integrere medicinsk billeddiagnostik med patologiske, kliniske og biologiske data for at forudsige primær resistens mod platinbaseret kemoterapi.

Kontakt: Signe Bjerregaard‑Michelsen, s.bjerregaardmichelsen@rn.dk

Beslutningsstøtte til vurdering af resektabilitet og operabilitet ved solide tumorer ved hjælp af multimodal AI (STROMA) – Kolorektal cancer

Komplet kirurgisk resektion er afgørende for at forbedre overlevelse og livskvalitet hos patienter med maligne solide tumorer. Præoperativ vurdering af resektabilitet og operabilitet er imidlertid fortsat en udfordring. Inkomplette resektioner øger risikoen for recidiv markant. Dette projekt har til formål at udvikle og evaluere AI‑baserede beslutningsstøtteværktøjer, der kombinerer billeddiagnostik og data fra elektroniske sundhedsregistre for at forbedre den præoperative prædiktion af resektabilitet og operabilitet hos kræftpatienter. Studiet anvender multimodale AI‑metoder, der integrerer strukturerede data (laboratorieresultater, komorbiditeter), ustrukturerede data (kliniske notater, rapporter) samt billeddata (CT, MR). Projektet tilstræber at styrke MDT‑beslutningstagning, reducere unødvendige operationer, forbedre resektionsrande og optimere patienternes behandlingsresultater.

Kontakt: Signe Bjerregaard‑Michelsen, s.bjerregaardmichelsen@rn.dk

AI-Dose: Datadrevet klinisk beslutningsstøtteværktøj til prædiktion af kemoterapitoksicitet

Alvorlig kemoterapitoksicitet udgør en betydelig udfordring i kræftbehandling, idet op mod halvdelen af patienterne udvikler tidlige, dosisbegrænsende bivirkninger, som kompromitterer behandlingsforløbet og forringer de langsigtede kliniske outcomes. Nuværende doseringsstrategier baseres primært på simple surrogatmål såsom kropsoverflade og tager ikke tilstrækkeligt højde for individuel variation i kropssammensætning og klinisk risikoprofil, som er mere prædiktive for behandlingstolerance.

Dette projekt har til formål at udvikle og validere et AI-baseret beslutningsstøtteværktøj, der integrerer automatiseret analyse af diagnostiske CT-skanninger med kliniske data med henblik på at prædiktere risikoen for tidlig, alvorlig toksicitet forud for behandlingsinitiering. Modellen kombinerer billedbaseret kvantificering af kropssammensætning med kliniske variabler (herunder komorbiditeter og laboratorieparametre) for at muliggøre en mere præcis og individualiseret risikostratificering.

Projektet sigter mod at reducere forekomsten af alvorlig toksicitet, øge andelen af patienter, der gennemfører potentielt kurativ behandling, samt styrke det kliniske beslutningsgrundlag—uden at påføre yderligere belastning for patienter eller klinikere.

Kontakt: Mathias Ellgaard Cook, m.cook@rn.dk