Atopic dermatitis

Beviljade anslag till forskare inom dermatologi och Venereologi

Insamlingsstiftelsen Hudfonden grundades 2015 på initiativ av styrelserna för Edvard Welanders stiftelse och Finsenstiftelsen. Härigenom skapades en kanal för löpande insamling av gåvor till forskningen, och ett publikt fönster genom vilket de medicinska behoven inom dermatologi/hudsjukdomar samt venereologi/könssjukdomar kan synliggöras.

Nedan finner du namn på forskare inom dermatologi och Venereologi som vi har valt att stötta

« Gå tillbaka

Prediction models for skin cancer using registry data and deep neural networks


Huvudsökande: Sam Polesie
Arbetsplats: Institute of Clinical Sciences, Sahlgrenska Academy, Gothenburg

De senaste tre decennierna har en markant ökning av melanom och icke-melanom hudcancer observerats i Sverige. Samtidigt har intresset för maskininlärning (machine learning; ML) för tolkning av medicinska data blivit allt mer aktuellt. En tillämpning för dessa algoritmer är prediktionsmodeller för sjukdomar baserade på tillgängliga hälso- och sjukvårdsdata. Syftet med studien är att utarbeta prediktionsmodeller för hudcancer baserade på svenska registerdata. Djupa neurala nätverk (DNN), vilket är en typ av ML-algoritm, kommer att tränas och utvärderas. Data från flertalet relevanta register inklusive läkemedelsregistret, patientregister samt flera cancerregister kommer användas. En patients historiska data kommer bland annat att representeras av en matris där y- axeln utgörs av diagnos- samt läkemedelskoder och x-axeln kommer vara en tidsenhet. Om en DNN modell tränas på dessa data kan potentiellt komplexa samband upptäckas mellan historiska registerdata och framtida risk för hudcancer. I framtiden är det sannolikt att ML-algoritmer kommer att vara av stor betydelse för sjukvårdens utveckling som kan komma att bli specifikt anpassat för den enskilda individen. Utarbetning av ML-modeller för exempelvis hudcancerrisk kan därför visa sig vara ett viktigt underlag vid kliniska beslut för den enskilde individen. En annan tänkbar tillämpning är selektiv befolkningsscreening, där patienter med hög risk automatiskt kan få kallelse baserat på tillgängliga registerdata.