Dimostratore 2: Uso collaborativo del Machine Learning nella Medicina del Sonno
Partner
: Tre centri di medicina del sonno di tre paesi diversi (Charite University Hospital in Germania, Kuopio University Hospital in Finlandia e Hospital de Dieu in Francia) saranno coinvolti in questo dimostratore. Lo sviluppo tecnico sarà supportato dal team di informatica medica dell’Ospedale Universitario di Gottingen in Germania.
Descrizione del problema
:
Negli ultimi anni le ricerche legate al machine learning e al deep learning hanno riscosso un grande interesse nell’ambito della medicina del sonno. I progetti di ricerca che utilizzano questi metodi devono sfruttare un’enorme quantità di dati clinicamente sensibili. Ciò solleva diverse questioni, come l’apertura della ricerca, le preoccupazioni per la privacy e la sicurezza dei dati, e l’importanza di trovare un equilibrio tra di esse. Attualmente, i progetti di ricerca devono seguire i principi dei dati FAIR (reperibili, accessibili, interoperabili e riutilizzabili) e il recente Regolamento generale sulla protezione dei dati (GDPR, 2016/679) della Commissione europea. Tuttavia, il rispetto del GDPR ostacola l’implementazione di FAIR e rende molto difficile la condivisione dei dati tra istituti clinici o di ricerca, soprattutto nel caso di dati retrospettivi.
Idealmente, la condivisione dei dati dovrebbe prevedere tre fasi: (1) crittografia dei dati, (2) condivisione dei dati con piattaforme protette e (3) archiviazione sicura dei dati. Tuttavia, la crittografia dei dati non ha ricevuto l’attenzione che merita, pur essendo uno degli elementi chiave: se per qualsiasi motivo le altre due fasi falliscono, la crittografia dei dati garantisce che i dati siano comunque protetti e che non sia possibile l’identificazione delle persone. Pertanto, avere a disposizione algoritmi di crittografia dei dati sofisticati e convalidati sarebbe estremamente prezioso per l’intera comunità di ricerca. Inoltre, per facilitare lo sfruttamento congiunto di questi dati condivisi in modo sicuro, si desidera eseguire operazioni complesse di analisi e apprendimento automatico sui dati criptati.
Applicazione dimostrativa pianificata:
Il dimostratore utilizzerà dati costituiti da registrazioni del sonno (ad esempio, elettroencefalografia, elettrooculografia, elettromiografia, segnali respiratori, segnali ossimetrici, russamento (audio), posizione del sonno, sforzo respiratorio ed eventualmente la registrazione video notturna), cartelle cliniche dei pazienti e questionari relativi ai disturbi del sonno in formato testo (word, excel, ecc.), raccolti nell’ambito del progetto H2020 SLEEPREVOLUTION. Lo scopo del dimostratore è quello di illustrare che dopo la crittografia le registrazioni del sonno possono essere gestite e analizzate in modo simile (utilizzando tecniche di analisi e ML complesse) ai dati non crittografati. È necessario che la soluzione possa essere utilizzata indipendentemente dal software di registrazione del sonno o dal dispositivo utilizzato per analizzare o raccogliere i dati. La crittografia dovrebbe essere possibile anche indipendentemente dal numero o dalla qualità dei segnali nelle registrazioni del sonno. La soluzione deve includere un’interfaccia utente di facile utilizzo ed essere facilmente utilizzabile in ambiente clinico (operativo) da parte degli operatori clinici.