Karolinska universitetssjukhuset del 1

Projektet använder en språkmodell för att analysera och klassificera 20 000 ostrukturerade patientenkätsvar, i syfte att identifiera styrkor och förbättringsområden i vården.

Projektet utvecklar och testar en AI-modell baserad på egna data för att förutsäga överlevnad, vårdtid och behov av IVA-vård hos covidpatienter.

Projektet undersöker hur AI-modeller kan återanvändas mellan olika sjukhus och regioner, med fokus på att möjliggöra transferabilitet utan att modellerna behöver omtränas lokalt.

Studien utvecklar AI-baserade modeller för att förbättra histopatologisk diagnostik av bröstcancer och minska osäkerhet i manuella bedömningar. Med en databas på över 20 000 patienter tränas AI för att analysera biomarkörer och BRCA-mutationer, vilket kan förbättra diagnostik, behandlingsbeslut och möjliggöra precisionsmedicin.

Projektet förbättrar ett varningssystem i journalsystemet TakeCare för att upptäcka läkemedelsinteraktioner och olästa röntgensvar. Syftet är att automatiskt generera prover och varningar för att minska felrisker och höja vårdkvaliteten.

Studien undersöker akuta hjärnskador, som traumatisk hjärnskada och subaraknoidalblödning, för att förbättra neurointensivvården. Fokus ligger på att förstå blodsockervariationers påverkan på hjärnan och patientutfall. Genom avancerade dataanalysmetoder kartläggs orsakssamband mellan skada, behandling och långtidsutfall, samt identifieras patientgrupper för individanpassad behandling.

Projektet implementerar algoritmer för vårdrelaterade infektioner (VRI proaktiv) i sjukhusets P3S-system för att förbättra patientsäkerheten. Serverinstallationen slutfördes i december 2023, och algoritmerna har optimerats och validerats inom kolorektal kirurgi. Förbättringar i operationsplanering och epikrisdokumentation har genomförts, samt erfarenhetsutbyte med ett sjukhus i Brasilien.

Projektet fokuserar på att öka kunskapen genom fenotypning av patienter i komplexa monitoreringsmiljöer inom intensivvården, för att möjliggöra mer individanpassad och effektiv vård.

Projektet utvecklar deep learning-algoritmer för att automatisera diagnosen av iNPH och demens, med målet att möjliggöra snabbare och mer träffsäkra diagnoser som kan leda till kirurgisk behandling vid iNPH.

Projektet handlar om att implementera, validera och använda sCT – en AI-genererad CT-liknande bild skapad utifrån MR-bilder – för att förbättra diagnostik och behandling utan behov av faktisk CT-skanning.