Showcase
AI
Hos CAMES AI arbejder vi med kunstig intelligens i medicinsk uddannelse. Vi forsker i og udvikler AI-teknologi, der understøtter og forbedrer læreprocesser, beslutningstrin og det daglige arbejde på hospitalerne.
Det vi kan hjælpe med
Automatiseret kompetence-vurdering
Vi udvikler nye metoder til automatiseret kompetence-vurdering via AI og simulation. Eksempelvis ved at bruge 3D-printede fantomer eller AI-baseret kompetence-vurdering.
Test af kliniske AI-systemer
Ved at bruge medicinsk simulation kan vi hjælpe med at teste klinikernes interaktion med AI-løsninger som præ-test, før der sker implementering i klinikken.
Rådgivning og bistand
Vi kan hjælpe med at tænke uddannelse ind i AI-udvikling, så man sikrer sig levering af den rigtige type AI-support til de rigtige klinikere – på det rigtige tidspunkt.
cases
Aktuelle AI-projekter
AI-baseret oplæring i diagnostik af modermærkekræft
Gennem træning ved hjælp af en mobilapplikation går projektet ud på at gøre det mere effektivt for læger at lære at diagnosticere hudkræft. Det vi også kalder "Intelligent" læring i mønstergenkendelse.
Det tager aktuelt mere end 6 år at blive dygtig til at se forskel på godartede og ondartede hudtumorer. Dette medfører forsinket diagnostik af hudkræft og store omkostninger for sundhedssektoren på grund af, at der på et unødvendigt grundlag bliver fjernet af godartede tumorer. Årsagen til den langsomme opkvalificering af læger er sandsynligvis, at det er svært for en ung læge at få visuel feedback på et stort antal hudtumorer af forskellige typer.
Dette arbejder vi på at forbedre ved at give læger og sygeplejersker adgang til træning i huddiagnostik via lærings-Appen - Dermloop Learn. (Se fotos fra app-store)
Appen eksponerer lægen for et kæmpe bibliotek (20.000+ cases) med billeder af tidligere hudtumor og tilhørende diagnose. Lægerne bliver guidet igennem et læringsforløb, der er optimeret af kunstig intelligens, som kontinuerligt måler lægens multi-dimensionelle kompetence og vælger det optimale læringsmateriale på denne baggrund.
Resultater og effekter:
Som en del af forskningsprojektet blev 76 medicinstuderende trænet uden tidligere erfaring i hudkræft-diagnostik i 8 dage. Og de nåede op på samme niveau som læger med 3-4 års erfaring. I kombination med en tele-dermatologisk tilbygning af systemet er der masser af potentiele - både når det gælder økonomi, kompetenceudvikling og patientsikkerhed. Eksempelvis har forskningsgruppen bag lavet et skøn, der viser, at man kan spare sundhedsvæsenet op til 800 mio. DKK om året, hvis teknologien implementeres nationelt og blive brugt af samtlige almen praktiserende, hudlæger, plastikkirurger og patologer.
Kontakt
AI til forbedret diagnostik af gravide
I SONAI-projektet (Sonography AI for pregnancy) arbejder vi med at udvikle AI-modeller, der understøtter klinikernes præstationer, når de foretager ultralydsscanninger. I Danmark tilbydes alle kvinder, som del af den rutinemæssige graviditetsundersøgelse, en ultralydssckanning ved ca. 12 og 20 ugers graviditet. Ultralyd er et vigtigt redskab til at undersøge gravide kvinder og deres ufødte børn. Vi bruger blandt andet ultralyd til at undersøge for misdannelser hos det ufødte barn omkring uge 20.
Uopdagede medfødte misdannelser af eksempelvis hjertet kan have alvorlige og livslange konsekvenser. Og selvom vi i Danmark er gode til at ultralydsscanne gravide, finder vi ikke alle alvorlige misdannelser og tilstande - blandt andet fordi det kræver mange års træning at blive god til at foretage disse skanninger.
Formålet med SONAI-projektet er, at forbedre diagnostikken af gravide ved at yde AI-baseret feedback til klinikere, der foretager ultralydskanniger.
Projektet er udvalgt af Danske Regioner til at være et AI Signaturprojekt og er blevet tildelt finansiering fra finansloven såvel som en række danske fonde, herunder Innovationsfonden (DIREC), Aasa og Ejnar Danielsens Fond, Johannes Fogs Fond, Dagmar Marshalls Fond, RH-OUH forskningsfonden, og Region Hovedstaden Innovationspulje. Projektet er resultatet af et stærkt samarbejde mellem CAMES og DTU Compute samt Datalogisk Institut på Københavns Universitet.
Kontakt
AI til træning og vurdering af invasive føtalmedicinske procedurer
I dette projekt udvikler vi et AI-baserede instrument til vurdering af kompetencer, når det kommer til at udføre invasive føtalmedicinske procedurer.
Hvert år møder nær 60.000 gravide kvinder til første trimester-screening i Danmark. Ud af disse finder man ca. en andel på 6 pct med en øget risiko for en kromosomafvigelse eller genetiske anomali hos fostret. De tilbydes derfor prænatal genetisk invasiv diagnostik i form af enten fostervandsprøve (amniocentese - AC) eller moderkageprøver (chorion villus sampling - CVS). Ufrivilligt graviditetstab er en alvorlig komplikation til CVS og AC. I de fleste større undersøgelser ligger denne risiko meget lavt, da CVS og AC i øvede hænder er særdeles sikre procedurer. Dog viser tal fra den seneste nationale audit i Danmark, at risikoen varierer landet over og kan være op til 3 pct. Det er kendt, at operatørens erfaring påvirker risikoen for alvorlige komplikationer, men vi mangler fortsat viden om, hvilke aspekter af operatørens arbejde, som udgør denne risiko.
Formålet med projektet er at bruge AI-modeller til at forstå, hvad der udmærker ekspertise i at udføre CVS og AC. Desuden er formålet at sikre. at alle, der udfører proceduren, har de rigtige kompetencer.
Kontakt
Foto:
(simulationssetup til projektet)
Akutte kejsersnit og AI
Akut kejsersnit foretages, når fødslen ikke forløber som planlagt. Komplikationer under fødslen kan medføre livsfare for mor eller barn, og i de situationer er det nødvendigt at forløse barnet hurtigst muligt.
Kvalitet i patientbehandlingen ved akut kejsersnit afhænger af mange faktorer. For eksempel kan indikationen for kejsersnittet, graden af fare for mor eller barn, moderens BMI, tidligere operationer i maven, psykologiske faktorer hos de kommende forældre, barnets størrelse og anæstesitypen have konsekvens for kvalitet i patientbehandlingen. Ydermere vil teamets individuelle, kollektive og relationelle kompetencer påvirke både den faglige kvalitet og den patientoplevede kvalitet.
Ved brug af AI-modeller er det muligt at identificere mønstre i store datamængder, hvor multiple forskelligartede faktorer skal undersøges samtidig. Ydermere er AI-modellerne i stand til at udforske den relative betydning af faktorerne. Denne viden er særdeles vigtig, når fremtidige undervisnings- og kvalitetsforbedrende tiltag skal planlægges.
Kontakt:
Hoftefrakturkirurgi og kunstig intelligens.
Et projekt, der bruger billeddata til at udvikle AI-algoritmer, der kan hjælpe ortopædkirurger med at vælge de mest optimale operationsmetoder til hoftebrud og sikre den højest mulig kvalitet af operationen.
Kontakt:
Kunstig intelligens og automatiseret kompetencevurderinger
Kompetenceovervågning i klinikken er ikke sjældent ressourcekrævende – i særdeleshed hvis det skal udføres struktureret og kontinuerligt.
CAMES har de sidste 7 år afholdt simulationsbaserede kurser i osteosyntese af hoftenære frakturer baseret på validerede kompetences-corer. Kurserne har tilvejebragt flere tusind simulerede røntgenbilleder baseret på træning og test af både novicer og eksperter.
Dette projekt søger at afdække om træning af en AI-algoritme ved brug af deep neural network kan automatisere kompetencevurdering af udført kirurgi i den simulerede kontekst såvel på kliniske per- og postoperative røntgenbilleder. Et sådant redskab vil kunne overvåge kvaliteten af udført kirurgi på både det individuelle og organisatoriske niveau og give mulighed for tidligere intervention ved kompetence- og kvalitetsgab.
Kontakt:


Samarbejdspartnere
Vi har et tæt samarbejde med DTU Compute og DIKU (Datalogisk Institut, Københavns Universitet). Derudover har vi en lang række “kunder”, som benytter sig af vores services, faciliteter og ekspertise. Kontakt os endeligt, hvis I kan se et samarbejde udspille sig mellem jer og CAMES AI.