Igangværende projekter

cards

Indkøb af algoritmer til mammografien

Målet er at udvikle to omfattende retningslinjer for indkøb og hurtig validering af AI i kliniske sammenhænge. Den første retningslinje vil fokusere på en hurtig valideringsproces for AI-modeller i klinisk praksis, mens den anden vil omhandle hele AI-indkøbsprocessen.
AI-KOL

Projektets mål er at integrere en AI-løsning i det eksisterende telemedicinske tilbud, TeleKOL. AI-løsningen vil gøre det muligt at forudsige forværringer hos KOL-patienter op til syv dage i forvejen og forudse behovet for indlæggelse op til tre uger før.
Sundhedssikker GPT

Målet med dette projekt er at udvikle og teste en AI-baseret dansk sprogmodel, der kan automatisere udarbejdelsen af tværsektorielle kommunikationsrapporter og udskrivningsbreve baseret på data fra elektroniske patientjournaler (EPJ).
Intelligent patientmonitorering

Projektet har til formål at teste en intelligent patientmonitoreringsløsning til at forbedre både sikkerheden og trivslen for patienter, der er i risiko for at falde og blive alvorligt såret.
EUCanScreen

EUCanScreen har til formål at støtte implementeringen af Flagship 4 i Europas Beating Cancer Plan: fremsætte en ny EU-støttet kræftscreeningordning for at sikre, at 90 % af EU-befolkningen, der kvalificerer sig til bryst-, livmoderhals- og kolorektal cancerscreening, tilbydes deltagelse i screeningsprogrammer.
Hjertero

Målet er at udvikle en datadrevet forudsigelsesmodel, der er i stand til at identificere personer med iskæmisk hjertesygdom i risiko for at udvikle angst eller depression.
ALIVE - analyse af lymfeknuder med AI

ALIVE vil udforske potentialet i at bruge AI inden for patologi ved at foreslå et AI-baseret system, der kan screene digitale lymfeknudevævsprøver for tegn på metastatisk cancer og dermed hjælpe med at forbedre effektiviteten og nøjagtigheden af diagnose.
Implementering af klinisk kunstig intelligens i sundhedsvæsenet i Danmark

Ph.d.-projektet af Sabine Morris Delhez har til formål at afklare, om AI kan forbedre patientbehandlingen, afhjælpe personalebyrder og reducere ventetider på skadestuen på Odense Universitetshospital (OUH).
PREMIO COLLAB

PREMIO COLLAB-projektet har til formål at forlænge den overordnede overlevelse og at forbedre livskvaliteten for patienter med metastaserende brystkræft ved at give raffineret vejledning til håndtering af behandlingsresponsmonitorering.
Den Danske Hudkræftmodel (DaiSiCaM)

Målet er at give effektiv, hurtig og billig diagnostik af patienter med mistanke om hudkræft gennem brug af en telemedicinsk løsning kaldet teledermoskopi.
AICE - AI-understøttet billedanalyse i tyktarmskamerakapselendoskopi

The goal of the AICE project is to create a complete and validated AI-assisted pathway that improves CCE diagnostics making the technology clinically viable for the good of patients, health care systems and society.
AI-RAPTOR

AI-RAPTORS formål er at udvikle, træne og validere en AI-algoritme, der kan detektere potentielt maligne lungefund på lavdosis-CT-scanninger og dermed hjælpe klinikere i den diagnostiske proces.
Risikovurdering af venøs tromboemboli hos indlagte patienter

Dette projekt af Pernille Just Vinholt har til formål at udvikle kunstig intelligens (AI) algoritmer baseret på Natural Language Processing for at identificere tidligere hændelser af venøs tromboemboli i patienternes elektroniske journaler (EPJ).
PEACE

Formålet med PEACE-projektet er at forbedre diagnostik af livmoderhalskræft med kunstig intelligens. Projektet vil udvikle, teste og implementere en AI-løsning til at guide kolposkopisten i realtid til at finde de bedste steder til biopsier.
Automatisk audiogramklassificering

Projektet sigter mod at bruge AI til at genkende audiogrammønstre. Målet er at genkende mindst 8 til 10 af de mest almindelige audiogramundertyper.
Screening af diabetisk retinopati

Projektet har til formål at udvikle et softwaresystem, der udnytter deep-learning af fully convolutional networks for at udføre automatisk gradering af nethindebilleder for at detektere diabetisk retinopati
FAST-MRI

Projektet FAST-MRI har til formål at undersøge nøjagtigheden, ændringer i arbejdsbelastningen og tid til diagnose ved implementering af et AI-system til slagtilfælde magnetisk resonans imaging (MRI) diagnostik i danske omgivelser.

Centre for Clinical Artificial Intelligence

Odense Universitetshospital
Kløvervænget 8C, Indgang 101, 4. sal
5000 Odense C

Tilgængelighedserklæring
Cookiespolitik
Cookieerklæring
Kontakt
LinkedIn

APPFWU01V