"We Are" personal data platform (VITO)
VITO ontwikkelt samen met andere partners (Domus Medica, Vlaams Patiëntenplatform, Zorgnet Icuro, Koning Boudewijnstichting) het “We are” dataplatform en ecosysteem. Hierbij wordt ‘privacy by design’ als uitgangspunt gebruikt en staan de Caring Technology principes centraal.
Het persoonlijk dataplatform maakt gebruik van SOLID4, een project van Tim Berners-Lee. SOLID is gebaseerd op het concept van individuele data pods, waarin persoonlijke gegevens worden opgeslagen. De opgeslagen gegevens zijn eigendom van en staan onder volledige controle van de burger: hij/zij bepaalt wie welke toegang heeft tot zijn persoonlijke gegevens. Dit model staat haaks op de huidige praktijk waarbij grote, datagedreven commerciële spelers op grote schaal persoonlijke data opslaan en er verder inkomsten uit genereren, en biedt mogelijkheden tot het creëren van een ‘level playing field’, waar grote en kleine partijen toegang kunnen krijgen tot persoonlijke data.
VITO draait momenteel een pilootimplementatie van het SOLID platform in het kader van het BIBOPP -project, in samenwerking met Domus Medica en LiCaLab. We werken hierbij met gegevens uit de online “Gezondheidsgids”, een survey tool die de globale gezondheidsstatus van een patiënt kan beoordelen en preventieve gezondheidsadviezen genereert. Deze gegevens worden opgeslagen in SOLID pods en dienen als basis om deze adviezen te vertalen in concrete acties en verwijzingen naar lokale faciliteiten en diensten.
Daarnaast wordt er gewerkt aan de uitbouw van de SOLID sandbox. Zo krijgen bedrijven de mogelijkheid om datakoppelingen binnen SOLID uit te testen, te experimenteren met visualisaties, authenticatie-en consentsystemen uit te testen,… en zo een business case technisch voor te bereiden. Binnen deze implementaties kan er verder gewerkt en getest worden op de schaalbaarheid van de nieuwe ontwikkelingen binnen het SAVE DATA-project en innovaties mogelijk maken met concrete praktijktoepassingen.
Experiencekit (imec)
Hoe gezond we zijn, hangt af van meerdere factoren. Zo hebben niet alleen ons DNA en medische geschiedenis een invloed op onze gezondheid, maar ook ons gedrag en onze omgeving beïnvloeden die sterk. Door contextuele informatie mee te capteren en te verwerken, krijgen we een beter beeld over onze gezondheid. Imec ontwikkelde hiervoor de tool ‘ExperienceKit’.
ExperienceKit is zogenaamde experience sampling method (ESM) software, bedoelt om studie-deelnemers te bevragen tijdens een bepaalde periode over bepaalde ervaringen. Met deze tool bieden we onderzoekers een manier aan om vragen te versturen naar deelnemers en zo meer info te krijgen over de context.
Bijvoorbeeld, er zou kunnen worden ingesteld dat als de hartslag van een hartpatiënt over een bepaalde grens gaat en dit niet is te verklaren door een gedetecteerde sportactiviteit, dat een vraag uitgestuurd wordt naar de persoon in kwestie. Als daar geen geruststellend antwoord op komt binnen een bepaalde tijd (bijv 10 minuten) zou m.b.v. een 2de regel een automatisch bericht naar de partner of arts kunnen gestuurd worden.
Een interessant aspect aan ExperienceKit is dat het vragen kan versturen als gevolg van bepaalde gebeurtenissen. Dat is wat ExperienceKit onderscheidt van andere ESM software.
ExperienceKit is modulair opgebouwd waarbij nieuwe context sensoren, zoals een smartphone, home monitoring, wearables of zelfs integraties met uitkomsten van algoritmes eenvoudig geconnecteerd kunnen worden.
DTract (imec)
DTract is analytics software om temporele clustering van (langdurige, sparse) longitudinale evenementendata te voorzien. Een voorbeeld hiervan is het opnemen van de historiek van patiëntbezoeken aan een arts in het ziekenhuis of de historiek van medicatie. Uit deze gegevens berekent DTract de statistisch relevante paden (trajectories) en kan een arts snel identificeren welke verschillende zorgpaden er voor de patiënt mogelijk zijn.
DTract is een ‘unsupervised AI’ tool en wordt gebruikt om bestaande hypotheses af te toetsen en vooral om nieuwe hypotheses te genereren. Zodra een domeinexpert de verschillende paden analyseert, kan hij/zij onverwachte paden opmerken en zo ontdekken dat het toedienen van een medicijn voor diabetes - bijvoorbeeld – invloed heeft op de kans op een depressie.
Eens de paden berekend zijn, kunnen ze het pad helpen voorspellen. Door te kijken op welk pad een patiënt zich bevindt, worden ook de statistisch relevante toekomstige elementen voorspeld. Dit kan vervolgens de basis vormen om het gedrag bij te sturen.
DTract is specifiek ontwikkeld om schaalbaar te zijn en de paden snel en accuraat te kunnen berekenen op grote datasets. Zo duurt het bijvoorbeeld 2 uur op 1 server om de paden te berekenen op gegevens van 273,000 patiënten en 6 miljoen patiënten bezoeken.