Publikationer


Speciale om data og rehabilitering

I foråret 2020 har Tenna Rasmussen og Cecilie Moriat skrevet kandidatspeciale om netop AIR-projektet og brugt den indsamlede data til at undersøge og forudsige, hvilke borgere der bør få tilbudt fysisk træning ud fra viden om, hvilke hjælpermidler personen har fået stillet til rådighed og empiriske resultater fra andre borgere, som har haft gavn af at træne.

I deres speciale har de derfor udviklet en kunstig intelligens, der, ved hjælp af underliggende matematiske modeller, hurtigt kan udpege de borgere, der vil have gavn af træning, så de på sigt vil kunne klare flere ting i hjemmet selv og være mindre afhængige af hjælpemidler. Specialet er på engelsk og giver en grundig introduktion til AIR og teknologien bag, relaterede projekter indenfor sundhedsvidenskab og AI samt letforståelige figurer og grafer over dataet. Herunder er et resume:

En gradvis forværring af den fysiske formåen ses hos borgere, der modtager hjemmepleje. For at modvirke dette tildeles rehabiliteringsforløb. Der forekommer imidlertid store forskelle i tildelingen af rehabilitering på tværs af kommuner. Dette, samt usikkerheder i den kliniske vurdering ved visitation til rehabilitering, er udfordringer for sundhedssystemet. I dette speciale undersøges disse udfordringer i et samarbejde med Aalborg kommune og DigiRehab for at danne et solidt grundlag for videre undersøgelser i et af Kommunernes Landsforenings signaturprojekter, AIR. Dette speciale kombinerer data fra borgeres træningsforløb med data om deres lån af hjælpemidler. For at undersøge, hvorvidt en borger får gavn af et rehabiliteringsforløb, måles der på nedgang i behov for hjælp og på en forbedring af borgerens fysiske formåen. Derudover er videnskabeligt funderede klassifikationsalgoritmer designet, implementeret, afprøvet og dokumenteret i specialet.

Reference:

C.Ø. Moriat, T.B. Rasmussen, "Clinical Decision Support for Physiotherapy-based Rehabilitation", MSc Thesis, Section of ECE, Dept. of Eng., AU, June 2, 2020

Billede af Tenna Rasmussen
Tenna Rasmussen
Billede af Cecilie Moriat
Cecilie Moriat

Speciale om brug af distribueret sundhedsdata

I efteråret 2020 skriver Michael Quach og Lasse Lildholdt hver sit kandidatspeciale om de fordele og ulemper, der er ved at træne machine-learning (AI) modeller centralt versus decentralt, med afsæt i AIR-projektet. Normalvis trænes statistiske modeller centralt på en computer eller i et datacenter, men denne traditionelle fremgangsmåde kan krænke privatlivets fred og være i modstrid med EU’s persondataforordning (GDPR), da den netop kræver at al data er samlet på et sted og at systemet, der træner modellen, har fuld adgang til den. Dette er en udfordring med personfølsomme data, som sundhedsdata typisk er, da man ønsker at begrænse udbredelsen af disse og værne om folks private oplysninger og datasikkerhed.

Federated learning er et nyt koncept indenfor AI, som tillader at de statiske modeller trænes separat og distribueret. Her foretager man lokal træning på hver enkel computer med rå data som kan være af en personfølsom karakter, før de endelige statiske modeller bliver samlet et sted og præsenteret for et publikum.

I dette speciale undersøges hvordan distribuerede statiske modeller kan designes, implementeres, testes og dokumenters, så de kan agere støtteværktøjer, når der skal træffes valg om en borgers forløb, på lige fod med traditionelle centrale modeller, dog med førnævnte fordele. Helt konkret vil Michael Quach fokusere på at identificere borgere, som vil have gavn af fysisk træning, og på at udpege borgere, som har størst chance for at gennemføre et rehabiliteringsforløb. Lasse Lildholdt vil fokusere på at identificere de borgere, som har øget risiko for at falde i hjemmet.

Reference:

M. Quach, "Decentralized Federated Learning in Healthcare", MSc Thesis, Section of ECE, Dept. of Eng., AU, Autumn 2020

L. Lildholdt, "Decentralized Federated Learning in Healthcare", MSc Thesis, Section of ECE, Dept. of Eng., AU, Autumn 2020

Billede af Michael Quach
Michael Quach
Billede af Lasse Lildholdt
Lasse Lildholdt

R&D-projekt om brugergrænseflader til AI

I efteråret 2020 laver Theis Egsgaard Hansen og Frederik Andersen et fælles R&D-projekt om design og udvikling af brugergrænseflader (UI) til AI. De vil i projektet undersøge, designe, udvikle, afprøve og dokumentere forskellige varianter og former for brugergrænseflader, der skal kunne formidle de opnåede resultater med kunstig intelligens ud til slutbrugeren, hvad enten det er hjemmehjælperen, der laver træningsøvelser med borgeren på daglig basis, eller sagsbehandleren i kommunen, der designer et rehabiliteringsforløb. Det er hensigten, at disse nyudviklede UI-funktionaliteter skal indgå som en del af den software-portefølje, som bliver det endelige slutprodukt, og det skal dermed være i stand til at kunne kommunikere den opnåede viden om en borgers rehabiliteringsforløb og prognose for fremtiden ud til den enkelte sagsbehandler i kommunen. Det er målet, at denne transformation fra lange talrækker og komplicerede statistiske modeller bliver så gnidningsfri og transparent som mulig, så sagsbehandleren vil opleve et intuitivt og letforståeligt visuelt design, der kan lette han eller hendes arbejdsbyrde ved at agere støtteværktøj i mødet med borgeren.

Theis og Frederik vil først fokusere på design og udvikling af brugergrænseflader til mobile smartphone og tablet enheder, og derefter til en hjemmeside. Det er målet, at de mobile applikationer skal nå et proof-of-concept (PoC)-stadie med hensyn til udviklingsgraden og de funktionaliteter, som brugeren får gennem værktøjet. De mobile applikationer skal kunne køre på både Android- og iOS-baserede smartphones og tablets, og er tiltænkt at skulle assistere hjemmehjælperen i mødet med borgeren. Hjemmesiden er derimod tiltænkt sagsbehandleren og dennes arbejde med at tilrettelægge et forløb. Begge dele skal således være en indgangsportal til AIR og indgå som en del af det endelige slutprodukt.

Hvilke muligheder applikationerne specifikt skal tilbyde og hvordan designet skal se ud, vil Theis og Frederik undersøge ved hjælp af prototyper og brugerinddragelse, hvor der vil blive stablet en pilotgruppe af potentielle slutbrugere på benene, som skal teste applikationerne i marken og komme med løbende feedback og forslag til forbedring, så udviklingsprocessen bliver iterativ og baseret på konkrete brugerønsker. Softwaren vil løbende blive forfinet og tilpasset den enkeltes behov. Pilotgruppen vil bestå af personer, som allerede er en del af AIR-projektet.

Reference:

T. E. Hansen, F. Andersen, "Mobile Application for AI Rehabilitation – A Proof of Concept Prototype", R&D Project, Section of ECE, Dept. of Eng., AU, Autumn 2020

T. E. Hansen, F. Andersen, "Web Application for AI Rehabilitation – A Proof of Concept Prototype", R&D Project, Section of ECE, Dept. of Eng., AU, Autumn 2020

Billede af Theis Egsgaard Hansen
Theis Egsgaard Hansen
Billede af Frederik Andersen
Frederik Andersen