framgångssaga

UTHealth påskyndar medicinsk forskning genom att utnyttja AI och ML i samarbete med Virtusa, Cardinal Health och AWS

Virtusa samarbetade med University of Texas Health Science Center (UTHealth), Cardinal Health och Amazon Web Services (AWS) för att främja medicinsk forskning med hjälp av den senaste tekniken för artificiell intelligens (AI) och maskininlärning (ML). Denna forskning fokuserade på att hitta de bästa behandlings- och hanteringsstrategierna för subaraknoid blödning (SAH) baserat på vårddata och datorsimuleringar.

Utmaningen

Även om biovetenskapens framtid drivs av resultatbaserad innovation med en hög grad av personalisering, har biovetenskapsindustrin varit en sen användare av innovativ teknik trots de stora FoU-budgetarna. Som ett resultat brottas branschen med de utmaningar som den plötsliga ökningen av digitala störningar medför.

Dessutom genererar de flesta biovetenskapsföretag terabyte med data som sitter i silor. Under en längre tid ansåg företagen det inte lämpligt för retrospektiv analys. Men saker och ting förändras. Life science -industrin är nu redo att låsa upp kraften hos simulerade data.

Antagandet av AI -teknik har blivit mer kritiskt än någonsin tidigare. Experter driver nu på att skapa intelligenta lösningar för att göra livet bättre och företag effektivare. Den grundläggande utmaningen när det gäller att främja denna tekniska och ekonomiska tillväxt är dock att kvantifiera data i algoritmiska förutsägelser och beslut.

Lösningen

Virtusa och Cardinal Health simulerade en omfattande datamängd som omfattar elektroniska hälsojournaler (EHR) som representerar mer än 30 000 patienter. Vi utnyttjade vLife ® , Virtusas molnbaserade plattform, med en omfattande HIPAA-kompatibel datasjö med flera datakällor, förbyggda API: er, AI och ML-modeller. Det används för att avslöja dolda trender som ledde till nya behandlingsstrategier och botemedel för olika sjukdomar.

UTHealth utnyttjade denna simulerade data för att träna och utvärdera ML -modeller för att förutsäga behandlingsresultat för specifika sjukdomar. Ett tjugotal lärare och studenter från avdelningen för biostatistik och datavetenskap vid UTHealth School samarbetade med olika medicinska och dataexperter för att generera data. Samtidigt krävde data som tillhandahålls genom Cardinal Healths proxyspatientpopulationens simulering minsta datarengöring och förberedelse. När de var klara kördes data i en ML -applikationsmodell för att generera exakta förutsägelser.

AWS-tjänster som används:

  • AWS Redshift
  • AWS S3
  • AWS EC2
  • AWS Elastisk bönstjälk
  • AWS CloudFront
  • AWS CloudFormation
Lösningen
Fördelen

Vi hjälpte UTHealth att påskynda forskning och förstärka befintliga bevis från verkligheten med hjälp av simulerade, färdiga att använda kliniska data. UTHealth använde de simulerade data för datajämförelser, utbildning av maskininlärningsmodeller och verifiering av modellutbildningsmetoder. Det faktum att data simulerades och därför icke-PHI gjorde det möjligt för UTHealth att publicera data för att validera sin forskning öppet.

Relaterat innehåll