Resursoptimering på akutmottagningen med hjälp av maskininlärning

Aktivitet: Examination och handledarskapHandledning av forskarstuderande

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.
Period2021 feb. 1 → …
Examinerad/handledd personEllen Tolestam Heyman
Examination/handledning vid
OmfattningInternationell

Ämnesklassifikation (UKÄ)

  • Klinisk medicin
  • Medicin och hälsovetenskap

Fria nyckelord

  • artificiell intelligens
  • Akutsjukvård
  • Akutmottagning
  • AI
  • maskininlärning
  • Maskininlärning och vård