11-12-2023
Datrix si è aggiudicata un importante bando europeo (Horizon Europe) nell’ambito dell’AI per l’Healthcare. Il progetto di ricerca è denominato “BETTER” (inteso come Better Real-World Health-Data Distributed Analytics Research Platform, Grant agreement 101136262) e mira a creare una piattaforma di facile consultazione che i medici degli ospedali europei potranno utilizzare per visionare i dati dei pazienti - confrontabili e filtrabili per patologia o parametri genetici - e allenare i modelli predittivi, rispettando le più stringenti normative sulla privacy a livello globale relative alle informazioni sanitarie, tutto ciò grazie a un approccio di “Federated Learning” e “AI Distribuita”.
I modelli avanzati di Federated Learning di Datrix consentono, infatti, la condivisione degli insights senza scambio di dati sensibili e senza compromettere la qualità dei risultati. Tutto ciò valorizza il diritto alla privacy degli utenti, rafforzando ulteriormente, non solo la tutela dei dati a essi riconducibili, ma anche un rapporto tra uomo e macchina più sano, integrato ed allineato alla visione di un'AI Simbiotica che lavora in armonia con le dinamiche umane e sociali.
Nello specifico, a questa call sono state presentate quarantanove proposte realizzate da differenti consorzi europei, di cui solo quattro sono state finanziate dalla Commissione Europea, a seguito del processo di valutazione. Il progetto BETTER, coordinato da Datrix, si è posizionato al primo posto ottenendo la valutazione massima: 15 punti su 15. Complessivamente, si tratta di 10 milioni di euro di fondi stanziati a livello europeo, di cui circa la metà verrà impiegata per il sequenziamento genetico, poiché la componente genetica è essenziale nelle patologie oggetto di analisi, suddivise in tre macro-aree e altrettante applicazioni: malattie pediatriche rare, disturbi legati allo spettro autistico in bambini e adolescenti, e problemi congeniti visivi, con un focus sulle malattie della retina.
I modelli avanzati di Federated Learning di Datrix consentono, infatti, la condivisione degli insights senza scambio di dati sensibili e senza compromettere la qualità dei risultati. Tutto ciò valorizza il diritto alla privacy degli utenti, rafforzando ulteriormente, non solo la tutela dei dati a essi riconducibili, ma anche un rapporto tra uomo e macchina più sano, integrato ed allineato alla visione di un'AI Simbiotica che lavora in armonia con le dinamiche umane e sociali.
Nello specifico, a questa call sono state presentate quarantanove proposte realizzate da differenti consorzi europei, di cui solo quattro sono state finanziate dalla Commissione Europea, a seguito del processo di valutazione. Il progetto BETTER, coordinato da Datrix, si è posizionato al primo posto ottenendo la valutazione massima: 15 punti su 15. Complessivamente, si tratta di 10 milioni di euro di fondi stanziati a livello europeo, di cui circa la metà verrà impiegata per il sequenziamento genetico, poiché la componente genetica è essenziale nelle patologie oggetto di analisi, suddivise in tre macro-aree e altrettante applicazioni: malattie pediatriche rare, disturbi legati allo spettro autistico in bambini e adolescenti, e problemi congeniti visivi, con un focus sulle malattie della retina.
«Si tratta di un grande traguardo raggiunto per Datrix, che conferma la capacità del Gruppo di essere alla frontiera dell'innovazione, di attrarre importanti risorse finanziarie dalla Commissione Europea e di comprovare la propria leadership nei progetti di innovazione come coordinatori di un consorzio prestigioso, composto da Università, Centri di Ricerca e Istituti Clinici internazionali» commenta Fabrizio Milano d’Aragona , Co-Founder & CEO di Datrix. «Oltre ad accedere ad asset tecnologici innovativi e acquisire expertise su temi di frontiera, il progetto BETTER ci consentirà di approfondire le nostre ricerche, già in corso, sul Federated Learning, un approccio nuovo del mondo AI, restituendo valore alla società. La gestione federata dei dati supera i limiti dettati dalle regolamentazioni sulla privacy, consentendo di mettere a fattor comune le informazioni sui pazienti e su quanto la componente genetica possa raccontare per prevenire, diagnosticare per tempo e trattare molte patologie, anche gravi».
Il progetto è stato ufficialmente approvato ad agosto 2023 e ha preso il via a dicembre 2023. Le attività di R&D proseguiranno per tre anni e mezzo, coinvolgendo molte istituzioni e cliniche italiane, come l’Ospedale pediatrico Buzzi di Milano, il Politecnico di Milano, numerosi partner tecnologici da tutta Europa, centri universitari e ospedalieri che metteranno a disposizione i propri dati, tra cui Klinikum Der Universitaet Zu Koeln (DE), Maastricht University (NL), Universitat Politècnica de València (ES), Aston University (UK), Universitetet i Tromsø (NO), RheaSoft ApSm (DK), Noosware Bv (NL), Fundació de Recerca Sant Joan de Déu (ES), Hospital Sant Joan de Déu, Fundació Docència i Recerca Mutua de Terrassa (ES), Hospital Universitario y Politécnico La Fe(ES), Institute of Molecular Genetics and Genetic Engineering (RS), e Hadassah Medical Center (IL).
I cinque obiettivi principali su cui si concentrerà l’attività di ricerca riguardano:
• superamento delle barriere transfrontaliere per l'integrazione, l'accesso, la “FAIRification”, la gestione e condivisione di dati scientifici e sanitari;
• arricchimento delle basi dati sanitari con open data e dati provenienti da altri centri ospedalieri;
• implementazione di un framework di analisi distribuito (Federated Learning) per l'elaborazione e l'analisi tramite AI di dati medicali applicabile in tutta Europa;
• sviluppo di strumenti a supporto dei medici che sfruttino le capacità dell'Intelligenza Artificiale ed ampie basi dati transfrontaliere;
• consapevolezza degli aspetti etici, legali e sociali (ELSA) nel ciclo di vita dell'AI (Trustworthy AI).
La tecnologia su cui si baseranno i team di lavoro è multiforme e all’avanguardia, con l’introduzione di approcci nuovi, come ad esempio:
• AI distribuita e Federated Learning: diversamente da un approccio tradizionale, dove per allenare modelli di machine learning i dati vengono centralizzati, la modalità Federated Learning prevede invece di allenare diversi modelli sulle diverse basi dati disponibili, per poi aggregare i modelli in un unico modello centrale. Questo permette di allenare gli algoritmi senza la necessità di spostare o centralizzare i dati stessi: modalità idonea per lavorare con dati raccolti da diversi centri ospedalieri dislocati in diverse nazioni.
• FAIRification, ossia l’attività cruciale di standardizzazione ed omologazione delle basi dati, in modo che siano leggibili e utilizzabili con la medesima interfaccia.
• Modello PHT o Personal Health Train, un paradigma di analisi distribuita per dati medicali già sperimentato su scala locale.
«Si sente sempre più spesso parlare di “Precision Medicine”, una medicina data-driven che possa sfruttare dati clinici per migliorare diagnosi e cura, ma questa prevede il superamento di molteplici sfide legate alle barriere tecnologiche, alla gestione del dato e alla privacy. Il progetto “BETTER” abilita a una modalità Precision Medicine ed è in linea con l’iniziativa European Health Data Space: un database genetico a livello europeo, una banca dati comune a cui tutti gli ospedali potranno accedere grazie a dati interoperabili» aggiunge Matteo Bregonzio, CTO di Datrix e responsabile del reparto R&D. «Il framework che ci proponiamo di realizzare mira a definire una solida infrastruttura decentralizzata che consentirà a ricercatori e medici di sfruttare appieno il potenziale di dati sanitari comunitari e strumenti di Intelligenza Artificiale sicuri e su misura, con l’obiettivo finale di migliorare la salute dei cittadini».
Il progetto è stato ufficialmente approvato ad agosto 2023 e ha preso il via a dicembre 2023. Le attività di R&D proseguiranno per tre anni e mezzo, coinvolgendo molte istituzioni e cliniche italiane, come l’Ospedale pediatrico Buzzi di Milano, il Politecnico di Milano, numerosi partner tecnologici da tutta Europa, centri universitari e ospedalieri che metteranno a disposizione i propri dati, tra cui Klinikum Der Universitaet Zu Koeln (DE), Maastricht University (NL), Universitat Politècnica de València (ES), Aston University (UK), Universitetet i Tromsø (NO), RheaSoft ApSm (DK), Noosware Bv (NL), Fundació de Recerca Sant Joan de Déu (ES), Hospital Sant Joan de Déu, Fundació Docència i Recerca Mutua de Terrassa (ES), Hospital Universitario y Politécnico La Fe(ES), Institute of Molecular Genetics and Genetic Engineering (RS), e Hadassah Medical Center (IL).
I cinque obiettivi principali su cui si concentrerà l’attività di ricerca riguardano:
• superamento delle barriere transfrontaliere per l'integrazione, l'accesso, la “FAIRification”, la gestione e condivisione di dati scientifici e sanitari;
• arricchimento delle basi dati sanitari con open data e dati provenienti da altri centri ospedalieri;
• implementazione di un framework di analisi distribuito (Federated Learning) per l'elaborazione e l'analisi tramite AI di dati medicali applicabile in tutta Europa;
• sviluppo di strumenti a supporto dei medici che sfruttino le capacità dell'Intelligenza Artificiale ed ampie basi dati transfrontaliere;
• consapevolezza degli aspetti etici, legali e sociali (ELSA) nel ciclo di vita dell'AI (Trustworthy AI).
La tecnologia su cui si baseranno i team di lavoro è multiforme e all’avanguardia, con l’introduzione di approcci nuovi, come ad esempio:
• AI distribuita e Federated Learning: diversamente da un approccio tradizionale, dove per allenare modelli di machine learning i dati vengono centralizzati, la modalità Federated Learning prevede invece di allenare diversi modelli sulle diverse basi dati disponibili, per poi aggregare i modelli in un unico modello centrale. Questo permette di allenare gli algoritmi senza la necessità di spostare o centralizzare i dati stessi: modalità idonea per lavorare con dati raccolti da diversi centri ospedalieri dislocati in diverse nazioni.
• FAIRification, ossia l’attività cruciale di standardizzazione ed omologazione delle basi dati, in modo che siano leggibili e utilizzabili con la medesima interfaccia.
• Modello PHT o Personal Health Train, un paradigma di analisi distribuita per dati medicali già sperimentato su scala locale.
«Si sente sempre più spesso parlare di “Precision Medicine”, una medicina data-driven che possa sfruttare dati clinici per migliorare diagnosi e cura, ma questa prevede il superamento di molteplici sfide legate alle barriere tecnologiche, alla gestione del dato e alla privacy. Il progetto “BETTER” abilita a una modalità Precision Medicine ed è in linea con l’iniziativa European Health Data Space: un database genetico a livello europeo, una banca dati comune a cui tutti gli ospedali potranno accedere grazie a dati interoperabili» aggiunge Matteo Bregonzio, CTO di Datrix e responsabile del reparto R&D. «Il framework che ci proponiamo di realizzare mira a definire una solida infrastruttura decentralizzata che consentirà a ricercatori e medici di sfruttare appieno il potenziale di dati sanitari comunitari e strumenti di Intelligenza Artificiale sicuri e su misura, con l’obiettivo finale di migliorare la salute dei cittadini».
