De dryga 2,2 miljarder hjärtslag Linkura samlat på sig skapar nu fint underlag för att göra AI-coachen Linus smart, mer personlig och träffsäker kopplat till välmående. Vinnovas stöd möjliggör en tydlig och snabb utvecklingsplan innefattande bl.a. machine learning och bot design. Projektet leds av Linkuras docent Anders Tjernvik med interna resurser samt delar av Advisory board såsom Martin Singull, docent i matematisk statistik, och stress- och sömnexpert, Helena Schiller, doktor i folkhälsa. I projektet deltar även docent Fredrik Heintz som AI-expert.

Vi ber Anders Tjernvik kommentera bakgrund och genomförande.

Syftet med det planerade projektet är att med hjälp av Linkuras omfattande databas träna Linus så att han på egen hand kan tolka mätdata och ge användbara insikter och rekommendationer baserade på mönster hos tidigare användare.

Vår AI-coach Linus är exempel på vad vi kallar en Wellness as a Service (WaaS) som ger våra användare stöd för ett stärkt välmående. Linus är särskilt bra på att ge stöd vad gäller stress. I en WaaS för stress måste stora mängder fysiologiska data och subjektiva skattningar hanteras. Vidare kan sambanden mellan mätning, åtgärd och resultat vara ganska komplexa. Vi har gjort ett antal förberedande studier som tyder på att den signalkvalitet vi har via vår EKG-wearable är världsledande och att det finns klara samband och mönster, bl.a. mellan fysisk aktivitet och stressbelastning, aktiv coaching eller inte samt variationer mellan ålder och kön.

Vår erfarenhet efter ett stort antal databaserade coachningar kan sammanfattas enligt:

1. Mätdata är centralt när man jobbar med stress. Både för användare och coacher. För en coach är det svårt att få överblick över den stora tillgängliga datamängden. Åtgärder ”som brukar fungera” rekommenderas därför ofta istället för åtgärder grundade i den faktiska situationen.

2. På vilket sätt uppmätt stressbelastning leder till sjukdom (eller inte) är svårt att förutse.

3. Behovet av motivation och mänskligt stöd varierar starkt från individ till individ.

Vår bedömning är därför att artificiell intelligens, särskilt maskininlärning, passar utmärkt för våra stora datamängder med mönster under en förändringsprocess. Eftersom de åtgärder som LInus kommer rekommendera är konkreta och indata objektiv och mätbar bör det vara fullt möjligt att sätta upp en lärande struktur för syftet. Rent konkret så kommer vi bygga våra modeller med utgångspunkt i upprepade mätningar, med mätdata och subjektiva skattningar som indata, samt skattat välmående och åtgärdsrekommendationer som utdata. Resten här tas bort? Modellen sätts som del av WP1, där vi även tittar närmare på kompletterande AI-tekniker. Hur vi bäst bygger stöd för upprepade mätningar återstår att se men vi har i teamet bland annat erfarenhet av att använda Gaussiska processer för att modellera och lära oss från sekvenser av mätdata.

Vår målsättning är att ge stöd till människor i första hand i organisationer att må bättre med hjälp av Linus. Vi tror att vi har något starkt att adressera en världsmarknad med vilket ger detta stöd en tacksam knuff framåt.