Tilbake til søkeresultatene

FRIMEDBIO-Fri prosj.st. med.,helse,biol

Machine Intelligence in HEADaches - Artificial Intelligence and Machine Learning for Diagnostics and Treatment of Primary Headaches

Alternativ tittel: Kunstig Intelligens ved Hodepine - Maskinlæring som grunnlag for modeller for diagnostikk og behandling ved primære hodepinetilstander

Tildelt: kr 12,5 mill.

Hodepinelidelser som migrene, spenningshodepine og klasehodepine er blant de sykdommene med størst sykdomsbyrde globalt. Likevel er de ofte forsømt, og pasienter har smerter i lang tid før de får riktig diagnose og effektiv behandling. Til grunn for hodepinelidelser ligger det ofte mange ulike og kompliserte biologiske mekanismer. Det gjør at symptomene varierer veldig fra person til person, og at ulike typer behandling kan være effektive. Per i dag er det kun en brøkdel av en pasients symptomer som brukes til å stille diagnose, og vi har ingen enkel markør som kan fortelle hvilken behandling som vil være mest effektiv i hvert enkelt tilfelle. Derfor er det svært utfordrende for klinikere å si på forhånd hvilken behandling som vil virke best for en pasient, og gjentatt prøving og feiling er ofte nødvendig for å oppnå gode resultater. Målet med MI-HEAD-prosjektet er å utnytte maskinlæring for å bedre forstå og forbedre behandlingen av pasienter med hodepine. Maskinlæring er en gren av kunstig intelligens, hvor datamaskiner læres opp til å gjenkjenne kompliserte mønstre i store mengder data, og gjøre intelligente beslutninger basert på disse. Metoden er spesielt nyttig for medisinske problemstillinger knyttet til veldig komplekse biologiske mekanismer for å avdekke de intrikate mønstrene som forklarer hvorfor noen pasienter reagerer på enkelte behandlinger. MI-HEAD vil kombinere norske helseregisterdata med detaljerte data fra hodepinedagbøkene som pasientene bruker via smarttelefonen sin, for å lage et svært detaljert datasett egnet for maskinlæring. Ved å analysere det store datasettet med toppmoderne maskinlæringsmodeller vil vi forbedre vår forståelse av hvorfor noen pasienter reagerer på visse typer behandlinger, og andre ikke. Vi vil også utvikle verktøy som kan hjelpe klinikere med mer nøyaktig diagnostikk, og som effektivt kan forutsi sykdomsutvikling og hvilken effekt behandling kan ha.

Primary headaches are some of the most burdensome diseases worldwide, yet often neglected and patients suffer with pain for a long time before arriving at correct diagnoses and effective treatments. Primary headaches are characterised by remarkably heterogenous phenotypical, physiological and biological patterns. Yet, at present, only a fraction of these are used for clinical decision making and models of inference of underlying neurobiology and pathophysiology, thus yielding low accuracy. Artificial intelligence (AI) and machine learning (ML) has opened up for increased accuracy of diagnostics and prediction of clinical outcomes in several clinical disciplines, and is especially useful for medical problems where the underlying biological associations are irreducibly distributed across a large number of biophenotypical variables. Nevertheless, the use of AI and ML in headache medicine is largely unexplored. The overall aim of this project is to utilise AI and ML to understand and improve diagnostics, prediction of disease progression and prediction of treatment effect in primary headaches. To address the overall goal and objectives we have defined four work packages (WP), each corresponding to a secondary objective. In WP1 we will use readily available Norwegian health register data to construct ML models to predict diagnosis, disease progression, and treatment effect in primary headache and draw inferences on underlying neurobiology explaining these predictions. In WP2 we will implement a novel mobile health tool to prospectively capture large amounts of data that will complement the data collected WP1. In WP3 we will combine data from WP1 and WP2 to improve the ML models and result in a ML decision support tool that may accurately aid in clinical decision-making in new unseen patients. In WP4 we will conduct a randomised controlled trial to evaluate if the developed ML tool is superior to standard of care, thus saving patient suffering and socioeconomic expenses.

Budsjettformål:

FRIMEDBIO-Fri prosj.st. med.,helse,biol