Projekt · Dnr 2022-01528 · Källa: Vinnova
Informationsdriven vård federerat lärande och syntetisk datagenerering
- Koordinator
- Högskolan i Halmstad, Högskolan i Halmstad Akademin f informationsteknologi
- Projekttid
- 2022-08-01 till 2023-03-31 (avslutat)
- Beviljat bidrag
- 665 901 SEK
- Diarienummer
- 2022-01528
Beskrivning
Det övergripande syftet med projektet är att driva på den förändring som krävs för att regionerna ska kunna arbeta mer informationsdrivet. Detta har gjorts i projektets två spår ett tekniskt spår och ett spår för diskussion och kunskapsöverföring. Diskussionsspåret har, med sina 6 interregionala arbetsgrupper, identifierat nödvändiga steg att ta i skiftet mot informationsdriven vård. Det tekniska spåret har fokuserat på 1) datauttag vid en region för analys och prediktion, 2) federerat lärande inom en region och 3) en ny metod för syntetisk generering av hälsodata. Resultaten kan sammanfattas i fyra delar (se bifogad projektrapport för mer omfattande beskrivning): 1) Projektets två spår har levererat insikter, underlag och förslag på aktiviteter till kommande steg 2, den nationella systemdemonstratorn. 2) Region Örebros skarpa datauttag har lett till många viktiga lärdomar (juridiska, tekniska, organisatoriska) för vad en region behöver göra i skiftet till info.driven vård. 3) Federerat lärande inom en region har förberetts (men ännu inte genomförts). 4) En ny metod för syntetisk generering av hälsodata har testats och publicerats.
Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.
Liknande
-
Säkra enklaver för federerad maskininlärning
Scaleout Systems AB · 2021-05-03 · 1 966 373 SEK · Projekt
Projektets mål har varit att utvärdera möjligheten att med så små insatser som möjligt från slutanvändaren möjliggöra integritetsbevarande maskininlärning på hårdvara som garanterar dataintegritet såväl som applikationens integritet, och därigenom möjliggöra samarbeten på klientnivå som annars inte …
-
Heliple-2 - Heterogeneous Linked Product Lifecycle Environment - Iteration 2
Saab AB · 2023-01-16 · 4 927 918 SEK · Projekt
Heliple-2 projektets mål var att demonstrera att det är möjligt att skapa en federerad PLM (Product Lifecycle Management) förmåga genom att integrera fristående ingenjörsdisciplin specifika PLM system med hjälp av OSLC standarden. Projektet har påvisat att federerad PLM baserat på OSLC är ett möjlig…
-
Federated Learning Testbed
Lindholmen Science Park AB · 2020-08-15 · 1 961 952 SEK · Projekt
Syftet och målet med projektet var att skapa en testbädd för federerad inlärning. En miljö har skapats där lärdomar och “best practises” från att arbeta med tekniken delas öppet, tekniska som såväl legala, ett nätverk av svenska och internationella experter har byggts upp, och en reproducerbar demo …
-
FeelAI-federerade prediktiva modeller på Edge för logistikbranschen
Högskolan i Halmstad · 2024-05-01 · 2 500 000 SEK · Projekt
FeelAI uppnådde flera av de ursprungliga målen, men projektet anpassades efter de industriella behoven. Arbetet visade att datakvalitet, etiketter, heterogenitet och reproducerbar utvärdering är avgörande före federerad och edge-baserad driftsättning. Projektet gav resultat inom aktivitetsigenkännin…
-
En plattform för integritetsbevarande maskininlärning med hjälp av Ethereums blockkedja och smarta kontrakt
Scaleout Systems AB · 2019-08-19 · 1 693 803 SEK · Projekt
Syftet med projektet var att utveckla och demonstrera möjligheterna för integritetsbevarande federerad maskininlärning med blockkedje komponenter. Denna målsättning har uppnåtts genom utvecklingen av projektets lösning. Projektet har haft som mål att främja integritetsbevarande AI-samarbeten och det…