Stockholms läns sjukvårdsområde
SLSO utvecklar verktyg för att förutsäga suicidrisk samt en riskkalkylator för att förbättra utskrivningsbeslut för patienter med hög risk för självmord.
Utveckla verktyg för att förutsäga suicidrisk
Fullständigt projektnamn
Saving lives: building a total nationwide multimodal suicide cohort to improve precision in prediction and prevention of suicide
Beskrivning
Studien analyserar 100 kandidat-prediktorer från nationella register och genetiska data (polygena riskpoäng för suicid, depression, impulsivitet och missbruk) med hjälp av statistisk modellering och maskininlärning. Ett delmål är att genom fokusgrupper med läkare undersöka deras preferenser för utformning och funktionalitet av ett verktyg för att förutsäga suicidrisk.
Undersökning om biometriska smarta ringar kan förbättra diagnostik
Fullständigt projektnamn
Utvärdering av biometrisk smart ring för stöd i bedömning och handläggning av primärvårdspatienter med ihållande trötthet
Beskrivning
Projektet undersöker om biometriska smarta ringar kan förbättra diagnostik och handläggning av primärvårdspatienter med svår trötthet. Genom att samla in fysiologiska data över tid hoppas man stödja differentialdiagnostik, funktionsbedömningar och sjukintyg. Studien rekryterar 150 patienter och syftar till att öka precision och effektivitet i vården av fatiguedominerade tillstånd som utmattningssyndrom, ME/CFS och postcovid.
Riskkalkylator för att förbättra utskrivningsbeslut för patienter med hög risk för självmord
Fullständigt projektnamn
A population-based risk calculator for adverse outcomes after discharge from involuntary psychiatric care
Beskrivning
Studien utvecklar en riskkalkylator för att förbättra utskrivningsbeslut för LPT-patienter, som har hög risk för självmord, självskada och återinläggning. Kalkylatorn bygger på data från över 70 000 patienter och syftar till att göra besluten mer träffsäkra och konsekventa. Projektet inkluderar klinisk utformning, statistisk modellering och en pilotstudie inom Region Stockholm.
AI-assisterad EKG-analys för upptäckt av hjärtsvikt
FAITHFUL är ett EIT Health-stöttat europeiskt konsortium som syftar till att omdefiniera upptäckt av hjärtsvikt i primärvården genom att använda AI för tolkning av EKG. Hjärtsvikt är ofta underdiagnostiserat i tidiga skeden, vilket fördröjer behandling och ger sämre prognos. Genom att integrera AI-assisterad EKG-analys direkt i primärvårdens arbetsflöden vill FAITHFUL möjliggöra tidigare och mer träffsäker identifiering av patienter med misstänkt hjärtsvikt.
Projektet omfattar mer än 14 partners, bland annat Gustavsbergs Universitetsvårdcentral, och löper över 19 månader med en total budget på cirka 2 miljoner euro. De huvudsakliga målen är att fastställa den kliniska effektiviteten hos ett AI-baserat system för hjärtsviktsdetektion via EKG-tolkning, jämföra hälso- och sjukvårdens resursutnyttjande mellan dagens standardiserade diagnostik-/behandlingsflöden och flöden som inkluderar AI-teknologi, samt genomföra en hälsoekonomisk utvärdering som belyser klinisk nytta, kostnadseffektivitet och användbarhet i primärvården.
Genom tidigare diagnos kan patienter snabbare påbörja evidensbaserad behandling och livsstilsförändringar, vilket potentiellt minskar sjukhusinläggningar och förbättrar livskvaliteten. Projektet förväntas leverera real-world-evidens för implementering av AI-assisterad EKG i primärvården, inklusive praktiska insikter om införande, utbildningsbehov och acceptans hos vårdpersonal. FAITHFUL strävar efter att skapa en skalbar modell som kan breddinföras inom europeiska vårdsystem.
FAITHFUL är ett EIT Health-stöttat europeiskt konsortium som syftar till att omdefiniera upptäckt av hjärtsvikt i primärvården genom att använda AI för tolkning av EKG. Hjärtsvikt är ofta underdiagnostiserat i tidiga skeden, vilket fördröjer behandling och ger sämre prognos. Genom att integrera AI-assisterad EKG-analys direkt i primärvårdens arbetsflöden vill FAITHFUL möjliggöra tidigare och mer träffsäker identifiering av patienter med misstänkt hjärtsvikt.
Projektet omfattar mer än 14 partners, bland annat Gustavsbergs Universitetsvårdcentral, och löper över 19 månader med en total budget på cirka 2 miljoner euro. De huvudsakliga målen är att fastställa den kliniska effektiviteten hos ett AI-baserat system för hjärtsviktsdetektion via EKG-tolkning, jämföra hälso- och sjukvårdens resursutnyttjande mellan dagens standardiserade diagnostik-/behandlingsflöden och flöden som inkluderar AI-teknologi, samt genomföra en hälsoekonomisk utvärdering som belyser klinisk nytta, kostnadseffektivitet och användbarhet i primärvården.
Genom tidigare diagnos kan patienter snabbare påbörja evidensbaserad behandling och livsstilsförändringar, vilket potentiellt minskar sjukhusinläggningar och förbättrar livskvaliteten. Projektet förväntas leverera real-world-evidens för implementering av AI-assisterad EKG i primärvården, inklusive praktiska insikter om införande, utbildningsbehov och acceptans hos vårdpersonal. FAITHFUL strävar efter att skapa en skalbar modell som kan breddinföras inom europeiska vårdsystem
- Uppdaterad: 5 december 2025