Age Labs

Age Labs er et ungt gründerselskap, som prøver seg på prediktiv diagnostikk. De kombinerer maskinlæring og biobanker og ser på epigenetikken, altså hvordan genene blir slått av og på. De bruker maskinlæring for å finne signaler på sykdom, og målet er å kunne oppdage diagnoser tidligere. Det vil også kunne bidra til å gi forebyggende og riktigere behandling, når du har fått en diagnose. 

Age Labs opplever for øyeblikket at personvernet, eller håndhevingen av personvernreglement, står i veien for deres innovasjon. 

-Vi er selvsagt veldig glad for å bli plukket ut, sier daglig leder Karl Trygve Kalleberg i Age Labs. 

-Jeg er positivt overrasket over at vi ble valt ut, for det har jo vært et trangt nåløye. Søkerlisten er full av tunge aktører. Gode kandidater hele gjengen. 

Oppdages for sent

Age Labs bruker maskinlæring til å utvikle prediktiv diagnostikk for aldersrelatert sykdom, basert på epigenetiske data og klinisk informasjon.

De fleste aldersrelaterte sykdommer oppdages først når sykdommen har begynt å sette sine spor. Da er det vanskelig, om ikke umulig, å reversere skaden. Dette gjelder for eksempel hjerte- og karsykdommer, kreft og demens. Det er økende tro og fokus på at persontilpasset og preventiv medisin vil hjelpe oss med å utsette eller unngå sykdom, ved at man tar grep lenge før sykdommen manifesterer seg. 

"Algoritmedrevne blodprøver"

Age Labs kjerneprodukt er en plattform for “algoritmedrevne blodprøver”. Ved å lese av den epigenetiske profilen til en pasient ut fra en blodprøve, kan vi bruke algoritmene våre til å identifisere mønstre som sier noe om fremtidig sykdomsutvikling. Men denne typen diagnostikk er avhengig av omfattende mengder helsedata i løpet av utviklingsprosessen, og har et stort potensiale for kontinuerlig forbedring etter at det er installert i
daglig drift, i form av etterlæring av de tilgrunnliggende algoritmene.

Personvernutfordringer

Treningen av maskinlæringsalgoritmene er avhengige av store mengde sensitive helsedata, både genetiske og epigenetiske data i tillegg til informasjon om sykdommer og sykdomsutvikling.

Personvernutfordringene i prosjektet, som de ønsker å få utforsket i sandkassa, er hvordan man kan sikre anonymisering av dataene de har samlet inn, slik at de kan deles fritt? Og hvordan de skal gå frem, med tanke på anonymisering og dataminimalsering, når de skal “etterlære” algoritmene etter at de satt i produksjon?