{"id":2193,"date":"2019-10-08T11:17:42","date_gmt":"2019-10-08T09:17:42","guid":{"rendered":"https:\/\/vgrblogg.se\/utveckling\/?p=2193"},"modified":"2019-10-08T11:30:52","modified_gmt":"2019-10-08T09:30:52","slug":"delrapport-1-swelife","status":"publish","type":"post","link":"https:\/\/vgrblogg.se\/utveckling\/2019\/10\/08\/delrapport-1-swelife\/","title":{"rendered":"Delrapport 1: Nationell inventering av AI f\u00f6r life science"},"content":{"rendered":"\n

Del 13 i bloggserien f\u00f6r uppdraget Swelife \ud83d\ude0d AI<\/a>. H\u00e4r kommer f\u00f6rsta delrapporten fr\u00e5n Swelifes AI-projekt. Det \u00e4r dels material fr\u00e5n intervjuerna runt landet men ocks\u00e5 en del tankar inf\u00f6r b\u00e5de gapanalysen och det internationella som kommer inom n\u00e5gon vecka.<\/p>\n\n\n\n\n\n\n\n

Inneh\u00e5llsf\u00f6rteckning<\/h2>\n\n\n\n

Inledning och syfte<\/a><\/span>        <\/span>4<\/a><\/span><\/p>\n

Förväntat resultat<\/a><\/span>        <\/span>4<\/a><\/span><\/p>\n

Definition av life science och AI för denna rapport<\/a><\/span>        <\/span>6<\/a><\/span><\/p>\n

Life science?<\/a><\/span>        <\/span>6<\/a><\/span><\/p>\n

Metod för insamling av intryck<\/a><\/span>        <\/span>8<\/a><\/span><\/p>\n

Frågebatteri<\/a><\/span>        <\/span>8<\/a><\/span><\/p>\n

Problematisering av inventeringen<\/a><\/span>        <\/span>9<\/a><\/span><\/p>\n

Användningsområden för AI<\/a><\/span>        <\/span>9<\/a><\/span><\/p>\n

Inventering av AI-projekt i Sverige<\/a><\/span>        <\/span>13<\/a><\/span><\/p>\n

Några exempelprojekt och centrumbildningar<\/a><\/span>        <\/span>14<\/a><\/span><\/p>\n

Linköping\/Norrköping: AIDA (Analytic Imaging Diagnostic Arena), CMIV och Visual Sweden<\/a><\/span>        <\/span>14<\/a><\/span><\/p>\n

Göteborg: AI Innovation of Sweden, Scapis, PreSISe, språkdatalabb och Chalmers AI Research Centre (CHAIR)<\/a><\/span>        <\/span>15<\/a><\/span><\/p>\n

Umeå: WASP-HS (Wallenberg AI, Autonomous Systems and Software Program – Humanities & Society)<\/a><\/span>        <\/span>16<\/a><\/span><\/p>\n

Sammanfattning av samtal i Umeå<\/a><\/span>        <\/span>16<\/a><\/span><\/p>\n

Stockholm: I-AID, H2, MedTechLabs och KTH<\/a><\/span>        <\/span>17<\/a><\/span><\/p>\n

Sammanfattning av samtal i Stockholmsområdet<\/a><\/span>        <\/span>17<\/a><\/span><\/p>\n

Skövde (enbart Högskolan i Skövde)<\/a><\/span>        <\/span>18<\/a><\/span><\/p>\n

Sammanfattning av samtal i Skövde<\/a><\/span>        <\/span>18<\/a><\/span><\/p>\n

Malmö\/Lund: Medicon Village, Smile Incubator och HealthTech Nordic<\/a><\/span>        <\/span>18<\/a><\/span><\/p>\n

Sammanfattning av samtal i Malmö och Lund<\/a><\/span>        <\/span>19<\/a><\/span><\/p>\n

Halmstad Universitet och Region Halland<\/a><\/span>        <\/span>19<\/a><\/span><\/p>\n

Centrumbildningar och satsningar utan fokus specifikt på life science<\/a><\/span>        <\/span>19<\/a><\/span><\/p>\n

Vad kan Sverige bli bäst på?<\/a><\/span>        <\/span>22<\/a><\/span><\/p>\n

Redan etablerad specialisering<\/a><\/span>        <\/span>22<\/a><\/span><\/p>\n

Läkemedel och avancerade terapiläkemedel (Advanced Therapy Medicinal Products – ATMP)<\/a><\/span>        <\/span>24<\/a><\/span><\/p>\n

Proteinveckning<\/a><\/span>        <\/span>24<\/a><\/span><\/p>\n

Egenvård och prevention<\/a><\/span>        <\/span>25<\/a><\/span><\/p>\n

Var utförs vård-AI? I personens egna prylar eller i vårdens slutna system?<\/a><\/span>        <\/span>25<\/a><\/span><\/p>\n

Är vi bra på datacenter, molninfrastruktur och spelar det roll för life science?<\/a><\/span>        <\/span>27<\/a><\/span><\/p>\n

Kryptering, avidentifiering och pseudonymisering<\/a><\/span>        <\/span>27<\/a><\/span><\/p>\n

Utmaningar<\/a><\/span>        <\/span>31<\/a><\/span><\/p>\n

Juridiska bekymmer med att jobba förebyggande<\/a><\/span>        <\/span>31<\/a><\/span><\/p>\n

95% kan tänka sig att dela med sig av sin hälsodata<\/a><\/span>        <\/span>31<\/a><\/span><\/p>\n

9% av granskade vårdtillfällen ledde till undvikbara vårdskador<\/a><\/span>        <\/span>32<\/a><\/span><\/p>\n

Summering<\/a><\/span>        <\/span>33<\/a><\/span><\/p>\n

Kortfattat: Vad som talar för Sverige<\/a><\/span>        <\/span>33<\/a><\/span><\/p>\n

Kortfattat: Sveriges nackdelar<\/a><\/span>        <\/span>34<\/a><\/span><\/p>\n

Tack till<\/a><\/span>        <\/span>35<\/a><\/span><\/p>\n

<\/span><\/p>\n

<\/span><\/p>\n

\n

Inledning och syfte<\/span><\/h1>\n

Detta är den första av de delrapporter som hör till Swelifes AI-projekt 2019<\/span>. <\/span>Artificiell intelligens (AI) är en förutsättning för framtidens hälso- och sjukvård. Inte minst inom prevention och tidig upptäckt är AI en framgångsfaktor. Genom att vi använder hälsodata strategiskt och systematiskt kan vi kanske hålla oss friska längre, samt upptäcka och åtgärda risker tidigare. Allt detta kan göra hälsa, vård och omsorg mer effektiv och förhoppningsvis även billigare. <\/span><\/p>\n

Mängden data om varje individs hälsostatus växer snabbt. Det kan vara den information som patienten ger vid besök inom vården – exempelvis all data ett vanligt blodprov kan ge – men också data som individen själv producerar, exempelvis genom hälsoappar. Alla data om individen som har betydelse för välbefinnandet kan kallas för systematiska hälsodata. <\/span><\/p>\n

Rätt använd skulle den systematiska hälsodata som finns kunna användas för att ge en hälso- och sjukvård som är specialanpassad för var och en av oss. Tyvärr ligger sjukvårdens och de regulatoriska myndigheternas arbete efter, vilket gör att vi inte kan använda våra systematiska hälsodata fullt ut. Detta är något Swelife arbetar med genom SWEPER-projektet, där vi bland annat ser över legala, regulatoriska och semantiska hinder på vägen till en bättre användning av data – och på sikt en bättre folkhälsa och en stark life science-sektor i Sverige. <\/span><\/p>\n

Det är bråttom nu. Sverige kan ha en konkurrensfördel om vi snabbt rätar ut de frågetecken som finns runt AI-teknik och systematiska hälsodata kopplat till individens <\/span>integritet<\/span> och etiska frågeställningar till användandet av data ur olika informations<\/span>perspektiv<\/span> . Vi har stora fördelar jämfört med många andra marknader, exempelvis personnummer och en hälso- och sjukvård tillgänglig för alla. Men för att få full utväxling av AI-satsningar framöver måste vi investera i strukturförändringar. Förändringarna är kanske inte lika fantasieggande som <\/span>schackspelande datorer<\/span>, eller diagnosställande av intelligenta maskiner, men de är nödvändiga för att på allvar kunna utnyttja den möjlighet som artificiell intelligens erbjuder. Vi måste dessutom tänka globalt från början och skapa en internationell koppling, där vi arbetar enligt <\/span>internationella standarder, kodverk och regelverk som gör att vi kan dela data över gränserna. Samt att denna data blir läsbar och förstådd även av maskiner. <\/span>[a]<\/a><\/sup><\/p>\n

Det är viktigt att Sverige inte bara blir en leverantör av hälsodata, utan att vi bygger upp och behåller kompetensen att förädla data. Ett sätt kan vara att vi parar ihop vår hälsodata och vår svenska spelindustri för att utveckla ”addictive health applications” istället för nöjesspel. På så sätt skapas värde för både individerna och samhället i stort. <\/span><\/p>\n

Förväntat resultat<\/span><\/h2>\n

Swelife vill stärka sitt strategiska arbete kring AI genom att genomföra en nulägesanalys med fokus på AI ur ett hälsoperspektiv, inklusive en GAP-analys inför kommande prioriteringar och satsningar. För att senare stärka sin portfölj av projekt i deras AI-arbete.<\/span><\/p>\n

Detta underlag kommer att sammanställas inom Swelife, men kommer att vara allmänt tillgängligt och kan därmed utgöra underlag för diskussioner kring strategiska satsningar inom AI-området med fokus på hälsa, som övriga organisationer och institutioner kan bygga vidare på.<\/span><\/p>\n

I slutet på 2019 kommer en slutrapport som i stora drag kommer att bygga på framtagna delrapporter och sammanställda i en större helhet.<\/span><\/p>\n

\n

<\/span><\/h1>\n

Definition av life science och AI för denna rapport<\/span><\/h1>\n

AI har dessvärre inte en enda allmänt accepterad definition. Det kanske delvis kommer sig av den hajp vi är inne i. Det vore inte meningsfullt att anamma den mest inkluderande tolkningen av AI som begrepp, men för att du som läsare av delrapporten ska förstå var baslinjen går kring AI i detta projekt är det lika bra att vara tydlig. Det som exkluderas är, saker som några andra med utredningsuppdrag inom AI ibland har valt att ha med, exempelvis:<\/span><\/p>\n