Karolinska universitetssjukhuset del 3

Fullständigt projektnamn

En AI-driven läroplattform för att upptäcka barn utsatta för våld.

Beskrivning

Projektet har utvecklat en AI-driven samtalscoach och chatbot för att öva på samtal med barn i utsatta situationer, särskilt vid misstanke om våld. Chatboten kan simulera samtal med barn i olika situationer och åldrar, med en AI-baserad coach som ger feedback. Efter tester och en pilotstudie med yrkesverksamma har chatboten justerats för bättre relevans och användbarhet. Nästa steg är att vidareutveckla plattformen till en digital läroplattform tillgänglig för fler yrkesgrupper.

Fullständigt projektnamn

E-Health and AI technology for screening and early diagnosis of cerebral palsy

Beskrivning

Projektet syftar till att tidigare diagnostisera cerebral pares (CP) genom AI-baserad analys av videor filmade av föräldrar via appen NeuroMotion. General Movement Assessment (GMA) och Hand Assessment for Infants (HAI) används för att förutsäga CP med hög träffsäkerhet redan vid 3–4 månaders ålder, vilket kan möjliggöra tidiga insatser och förbättrad motorisk utveckling. AI-systemet utvecklas i samarbete mellan Karolinska Institutet och KTH och ska automatisera bedömningar, vilket gör diagnostik mer tillgänglig och kostnadseffektiv.

Fullständigt projektnamn

Precision Diagnostics and Medicine in Systemic Lupus Erythematosus (PREDICT-LUPUS)

Beskrivning

Projektet PREDICT-LUPUS syftar till att förbättra diagnostik och behandling av systemisk lupus erythematosus (SLE) genom att identifiera nya autoantikroppar och molekylära mönster kopplade till sjukdomens förlopp och behandlingssvar. Genom högteknologiska analyser och avancerad bioinformatik vill forskarna utveckla prediktionsmodeller som kan anpassa behandlingen individuellt, förbättra tidig diagnostik och minska risken för organskador vid sjukdomsskov.

Fullständigt projektnamn

Segmenterar intrakraniella fynd/strukturer på DT skalle vid tillfället för traumatisk hjärnskada

Beskrivning

Projektet använder AI för att segmentera strukturer i DT-bilder vid traumatisk hjärnskada och identifiera radiomarkörer för prognos och sjukdomsutveckling. Målet är att förbättra prediktionsmodeller och möjliggöra mer individanpassad vård för skallskadade patienter.

Fullständigt projektnamn

Development of a risk-stratified cervical screening strategy

Beskrivning

Studien förbättrar cervixscreening genom att använda maskininlärning för att identifiera högriskindivider från nationella kvalitetsregister. Dessa kvinnor erbjuds HPV-självprovtagning för att öka deltagandet och upptäcka förstadier till cancer. Målet är att optimera riktad screening, minska cancerincidens och undvika överscreening, särskilt i takt med ökande HPV-vaccinationer.

Fullständigt projektnamn

Operationsplanering med stöd av AI

Beskrivning

Ett regionalt projekt som utvecklar AI-baserade stödverktyg för operationsplanering – dels för att uppdatera operationskort, dels för att förutsäga operationstider för specifika ingrepp.

Den nya AI-lösningen integrerar data från sjukhusets befintliga system, Orbit, med plattformen KIM, där en AI-modell analyserar och förutspår tidsåtgång för olika faser av en operation: innan, under och efter ingreppet.

Resultatet av AI-tiderna presenteras i rapporter i Tableau, och korrigering görs manuellt i Orbit. Syftet är att ge mer exakta prognoser och därmed underlätta planeringen för operationssalar och personal.

Projektet utvecklar AI-baserade bildanalysverktyg för att identifiera cancer och bedöma tumörers aggressivitet i mikroskopibilder. AI används även för att stödja diagnostik, prognosbedömning, provprioritering och förutsäga genförändringar, vilket förbättrar både patologens och läkarens beslutsfattande.

Fullständigt projektnamn

Personalized, sensor-guided glucose control in critically ill patients

Beskrivning

Projektet syftar till att förbättra glukoskontroll hos intensivvårdspatienter genom kontinuerlig glukosmätning (CGM) och maskininlärning. Svängande blodsockernivåer och insulinresistens gör nuvarande behandling utmanande och riskfylld. Genom att analysera data från 30 000 patienter och kombinera dessa med CGM-data från 400 patienter utvecklas en AI-baserad algoritm för att styra glukosbehandling mer individanpassat och säkert, vilket kan minska komplikationer och förbättra överlevnaden.