Beskrivning
Projektet går ut på att utveckla beslutsstöd baserat på avancerade statistiska metoder, maskininlärning (ML) och data från stora hälso- och sjukvårdsregister, för att optimera omhändertagandet i akutsjukvården.Temat ingår i forskningsmiljön AIR Lund (https://www.lupop.lu.se/airlund) som är ett samarbete mellan Lunds universitet, Högskolan i
Halmstad, Region Skåne och Region Halland kring registerforskning med hjälp av artificiell intelligens (AI).
I Sverige finns en unik möjlighet att forska på olika register inom hälso- och sjukvården. Dessa
register har inte utnyttjats i den utsträckning som är möjlig när det gäller utveckling av beslutsstöd baserat på statistiska modeller eller ML. Sådana beslutsstöd har en enorm potential att förbättra
diagnostik och behandling av patienter som söker akutmottagningar (AKM) i Sverige. Med förfinad
och mer individanpassad prediktion skulle vården bättre kunna skräddarsys för varje patient. Detta har i sin tur potential att öka patientsäkerheten och optimera resursutnyttjandet.
Period | 2021 feb. 1 → 2024 nov. 21 |
---|---|
Examinerad/handledd person | Ellen Tolestam Heyman |
Examination/handledning vid | |
Omfattning | Internationell |
Ämnesklassifikation (UKÄ)
- Klinisk medicin
- Medicin och hälsovetenskap
Fria nyckelord
- artificiell intelligens
- Akutsjukvård
- Akutmottagning
- AI
- maskininlärning
- Maskininlärning och vård
Relaterat innehåll
-
Forskningsoutput
-
Interpretable AI diagnostics for dyspnea in the emergency department by deep learning and a massive regional health care dataset
Forskningsoutput: Konferensbidrag › Poster
-
A novel interpretable deep learning model for diagnosis in emergency department dyspnoea patients based on complete data from an entire health care system
Forskningsoutput: Tidskriftsbidrag › Artikel i vetenskaplig tidskrift › Peer review
-
Improving Machine Learning 30-Day Mortality Prediction by Discounting Surprising Deaths
Forskningsoutput: Tidskriftsbidrag › Artikel i vetenskaplig tidskrift › Peer review
-
Design of an AI Support for Diagnosis of Dyspneic Adults at Time of Triage in the Emergency Department
Forskningsoutput: Konferensbidrag › Poster
-
How does an AI diagnose dyspnoea in ED triage without human guidance?
Forskningsoutput: Konferensbidrag › Poster
-
Likelihood of admission to hospital from the emergency department is not universally associated with hospital bed occupancy at the time of admission
Forskningsoutput: Tidskriftsbidrag › Artikel i vetenskaplig tidskrift › Peer review
-
Projekt
-
AIR Lund - Användning av artificiell intelligens inom registerforskning
Projekt: Forskning
-
Resursoptimering på akutmottagningen med hjälp av maskininlärning
Projekt: Avhandling