Awais Ashfaq

Awais Ashfaq är forskningsledare och AI-forskare vid Region Halland. Han är disputerad i signal- och systemteknik från Högskolan i Halmstad och har en civilingenjörsexamen i medicinsk teknik från KTH Kungliga Tekniska högskolan.

Han har omfattande erfarenhet av klinisk AI-utveckling genom hela livscykeln – från databeredning och modellträning till implementering och prospektiv validering i klinisk miljö. Hans arbete kombinerar artificiell intelligens, epidemiologi och klinisk forskning med särskilt fokus på informationsdriven vård. 

Fokusområde 

Awais forskning fokuserar på utveckling, validering och säker implementering av maskininlärningsmodeller baserade på elektroniska patientjournaler och longitudinella hälsodata. Ett centralt tema är kvalitetssäkring av AI-baserat beslutsstöd, inklusive prospektiv utvärdering i så kallat “shadow mode” innan klinisk påverkan. Forskningen omfattar även modellernas överförbarhet mellan regioner, federerad inlärning samt dataanalys för förbättring av kliniska och administrativa processer. 

Utvalda publikationer 


Ashfaq A, Wikland KA, Gelander L, … Holmgren A. 
Data resource profile: paediatric regional healthcare information platform in Halland, Sweden. 
International Journal of Epidemiology. 2025. 


Heyman E, Ashfaq A, Ekelund U, m.fl. 
AI and medical experts to identify predictors for common diagnoses in dyspneic adults. 
International Journal of Medical Informatics. 2025. 


Ashfaq A, Lingman M, Sensoy M, Nowaczyk S. 
DEED: Deep Evidential Doctor. 
Artificial Intelligence. 2023. 


Ashfaq A, Lönn S, Nilsson H, m.fl. 
Data resource profile: regional healthcare information platform in Halland, Sweden. 
International Journal of Epidemiology. 2020. 


Ashfaq A, Sant’Anna A, Lingman M, Nowaczyk S. 
Readmission prediction using deep learning on electronic health records. 
Journal of Biomedical Informatics. 2019. 

Pågående & planerade forskningsprojekt 

  • SilentEval – Prospektiv kvalitetssäkring av AI-stöd i vården genom utvärdering i bakgrunden utan klinisk påverkan.
  • MedSummary – Generering av utskrivningsanteckningar med interna stora språkmodeller.
  • EKAT 0–6 – Analys av longitudinella barntillväxtdata för tidigare upptäckt av avvikande tillväxt och barnfetma.
  • Hypertension Care – Maskininlärning för identifiering av högriskpatienter och utveckling av prediktivt beslutsstöd.
  • ML Transferability – Överförbarhet av prediktiva modeller för hjärtsvikt mellan regioner, inklusive federerad inlärning.
  • Digital Twins – Simulering av vårdprocesser med digitala tvillingmodeller.
  • AI Fakturakontroll – Identifiering av oegentligheter i mellanregional vårdfakturering med agentbaserad AI.
  • GHG i vården – Beräkning av klimatpåverkan från vård av patienter med kronisk njursjukdom.
  • CPP vs PEC – Jämförelse av kostnadsmodeller inom hälsoekonomi för hjärtsviktspatienter.