Predictive aFip

Paroksysmal atrieflimren (PAF) er en tilstand, hvor normale sinusrytmer pludseligt skifter til episoder af atrieflimren for kort efter at vende tilbage til normal rytme. Dette gør sygdommen svær at diagnosticere, da der muligvis ikke forekommer nogen episoder under EKG-overvågningen. Nyere fremskridt inden for kunstig intelligens viser, at subtile mønstre skjult i tilsyneladende normale sinusrytmer kan bruges til at detektere PAF. I dette projekt ønsker vi at træne en model på Cortriums EKG-data fra personer med og uden PAF, med målet om at klassificere normale sinusrytmer som enten PAF eller ikke-PAF med en acceptabel nøjagtighed. Modellen behøver ikke at være perfekt — blot bedre end tilfældig gætning. Hvis Cortriums device kan indikere, at en patient potentielt har PAF, selv uden observerede episoder, kan lægen handle på denne information, hvilket forbedrer patientbehandlingen og øger Cortriums indtjening, da flere rapporter vil være nødvendige ved opfølgningsundersøgelser af højrisikopatienter.

Projektet er en succes, når vi har leveret en valideret AI-model, der kan klassificere normale sinusrytmer som enten PAF eller ikke-PAF med en nøjagtighed på over 80%, baseret på Cortriums egne EKG-data.

1. Øget indtjening (revenue): Flere opfølgningsrapporter pr. patient øger Cortriums omsætning direkte.
2. Forbedret patientbehandling (capability): Læger kan handle proaktivt på PAF-risiko, selv uden observerede episoder.
3. Konkurrencemæssig differentiering (capability): Cortrium adskiller sig fra konkurrenter ved at tilbyde prædiktiv diagnostik fremfor reaktiv.
4. Lærings- og dataudnyttelse (learning): Projektet bygger intern AI-kompetence og udnytter eksisterende EKG-data til ny værdi.

1. Dataindsamling og -forberedelse: Indsamle og klargøre Cortriums EKG-data fra personer med og uden PAF.
2. Modeludvikling: Træne og teste AI-modeller til klassificering af normale sinusrytmer som PAF eller ikke-PAF.
3. Validering: Validere modellen på et holdout-datasæt og dokumentere nøjagtighed over 80%.
4. Implementeringsklar model: Levere en model i et format der kan testes og integreres direkte i Cortriums eksisterende produkter.
5. Afrapportering: Levere en slutrapport med modelperformance, metodik og anbefalinger til videre implementering.

1. Klinisk validering: Vi udfører ikke kliniske studier eller medicinsk certificering af modellen.
2. Realtidsøovervågning: Vi udvikler ikke et system til realtids-EKG-analyse eller live patientøovervågning.
3. Andre arytmier: Vi fokuserer udelukkende på PAF — ikke andre hjerterytmeforstyrrelser.
4. Produktintegration: Vi leverer en implementeringsklar model, men selve integrationen i Cortriums produkt er ikke en del af dette projekt.
5. Regulatorisk godkendelse: Vi søger ikke CE-mærkning eller FDA-godkendelse som del af projektet.

1. Data pipeline: EKG-data forberedes og annoteres med labels (PAF / ikke-PAF) baseret på Cortriums eksisterende datasæt.
2. Feature engineering: Relevante signalkarakteristika udtrækkes fra normale sinusrytmer, f.eks. HRV-features og morfologiske mønstre.
3. Modeludvikling: Vi eksperimenterer med klassiske ML-metoder (f.eks. XGBoost) samt deep learning-tilgange (f.eks. CNN på rå EKG-signaler).
4. Evaluering: Modellen evalueres med standard metrics: AUC-ROC, sensitivitet, specificitet og samlet nøjagtighed på et holdout-datasæt.
5. Iterativ tilgang: Agil arbejdsproces med løbende evaluering og justering baseret på modelperformance.

Start: Januar 2025
Original deadline: Udgangen af Q1 2025 (31. marts 2025)
Revideret deadline: Udgangen af Q2 2025 (30. juni 2025)
Varighed: Ca. 6 måneder

Projektet er allerede i gang. Tidsplanen er justeret da Q1-målet ikke kunne nås inden for den oprindelige ramme.

Samlet budget: 0 kr

MindFuture leverer arbejdet som in-kind samarbejde uden fakturering. Eventuelle cloud-computing omkostninger (f.eks. GPU-træning) afholdes inden for eksisterende ressourcer.

- MindFuture: 2 AI-udviklere dedikeret 90% FTE i projektperioden
- Cortrium: 1 faglig kontaktperson til dataspørgsmål og validering (~10% FTE)
- Værktøjer: Python, scikit-learn, TensorFlow/PyTorch, cloud-computing (GPU)
- Data: Adgang til Cortriums eksisterende EKG-datasæt

1. Datasæt: Adgang til tilstrækkeligt og korrekt annoteret EKG-data fra personer med og uden PAF.
2. Sponsor: Phillip er udpeget som ansvarlig sponsor og træffer nødvendige beslutninger rettidigt.
3. Faglig kontaktperson: Cortrium stiller én faglig ressource til rådighed til dataspørgsmål og validering (~10% FTE).
4. Datakvalitet: Cortrium sikrer at data er korrekt labelled (PAF / ikke-PAF) og tilgængelig i et anvendeligt format.
5. Beslutningsdygtighed: Cortrium reagerer inden for 5 arbejdsdage på spørgsmål og godkendelser.

1. Datakvalitet: Hvis EKG-data er forkert annoteret eller utilstrækkelig, kan modellen ikke nå 80% nøjagtighed.
2. Datamængde: For få PAF-patienter i datasættet kan føre til en ubalanceret model med lav generaliserbarhed.
3. Tidsplan: Projektet er allerede forsinket fra Q1 til Q2 — yderligere forsinkelser kan true leveringen.
4. Adgang til data: Forsinkelser i dataadgang fra Cortrium kan blokere modeludviklingen.
5. Regulatorisk usikkerhed: Selvom CE/FDA-godkendelse er udenfor scope, kan fremtidig implementering kræve det — risiko for at modellen ikke kan bruges klinisk.