"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.
PTRA (imec)
PTRA 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 PTRA de statistisch relevante paden (trajectories) en kan een arts snel identificeren welke verschillende zorgpaden er voor de patiënt mogelijk zijn.
PTRA 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 bijvoorbeeld ontdekken dat het toedienen van een bepaald medicijn voor diabetes een invloed heeft op de kans om een depressie te ontwikkelen.
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.
PTRA 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.