Tidligere projekter

cards

DeLeMA CT

Denne eksperimentelle fantomundersøgelse havde til formål at vurdere effekten af DLIR i kombination med MAR og Dual energy CT.
AI til forudsigelse af prostatacancerprogression

Projektet brugte maskinlæring til at analysere big data fra tidligere sygehistorie for at finde signaler til at skelne mellem, hvem der ville få metastaser blandt mænd med prostatakræft.
MAGI - AI til brystkræftdiagnostik

Formålet med MAGI-projektet var at validere og teste et AI-system i en eksisterende radiologi-workflow og analysere indvirkningen på kræftdetektion og tilbagekaldelsesrater samt arbejdsbelastning.
DETECT Acute

DETECT Acute-projektet var et klinisk to-center-studie, der havde til formål at vurdere den diagnostiske ydeevne af lavdosis computertomografi (CT) med en ny Deep Learning Image Reconstruction-algoritme (DLIR) hos patienter med akutte abdominale tilstande.
VR-træning til hjertepatienter ved hjælp af en AI-løsning

Projektets formål var at udvikle en AI-algoritme, der kunne identificere træningsudstyr og tilpasse sig den enkelte hjertepatients fysiske formåen og dermed gøre VR-træningen intelligent og effektiv.
Chatbots

Dette projekt undersøgte potentialet for AI-baserede chatbots i sundhedssektoren, startende med patienter med endometriose, som var i kontakt med Gynækologisk Obstetrisk Afdeling på Odense Universitetshospital.
FibroBot - diagnosticering af fedtleversygdom

Målet med dette projekt var at udvikle en prototype af FibroBot, en robot, der ville være i stand til at måle niveauet af arvæv i leveren med en Fibroscan-sonde.
PATINA Algorithm

Målet var at teste og validere effekten af en sentinel-algoritme anvendt på sundhedsdata til tidlig genkendelse af ældre voksne, der bor i lokalsamfundet, med risiko for akut hospitalsindlæggelse.
AutoDok

I AutoDok-projektet blev systemet Patient Deterioration Warning System (PDWS) udvidet med funktionalitet til håndtering af klinisk dokumentation for patienter, der var omfattende monitoreret, og patienter, der manglede monitorering i perioder med deres indlæggelse.
Ikke-invasiv påvisning, overvågning og forudsigelse af epileptiske anfald

Dette projekt havde til formål at udvikle nye måder at opdage epileptiske anfald ved at analysere ufrivillige bevægelser af øjne og ansigt.
Screening af skildvagtslymfeknuder for metastaser

Projektet havde til formål at udvikle og teste en AI-løsning til at påvise metastaser i skildvagtslymfeknuder i brystkræft for at understøtte beslutningstagning.
LiverTrail

LiverTrail-projektet havde til formål at udvikle og validere et beslutningshjælpemiddel til brug i det primære sundhedsvæsen til at vurdere risikoen for fremskreden fibrose hos patienter med alkoholisk og ikke-alkoholisk fedtleversygdom.
MERIS

MERIS-algoritmen, som var baseret på EPJ-data, var et valideret og evidensbaseret værktøj udviklet til at identificere patienter med høj risiko for at modtage uegnet medicin gennem medicingennemgange.
Påvisning og præsentation af blødningshændelser i den elektroniske journal

Målet var at hjælpe klinisk beslutningstagning ved at bruge kunstig intelligens (AI) til at finde kritisk information i elektroniske sundhedsjournaler.
MAS-AI

Projektet udviklede modellen MAS-AI, som er en MTV-baseret ramme for at understøtte introduktionen af nye AI-teknologier i sundhedsvæsenet.
Identifikation af risikopatienter (PDWS)

Projektet havde til formål at reducere antallet af uforudsete forringelser af patienter på medicinske akutmodtagelser.
RELIP

RELIP-projektet havde til formål at udvikle en algoritme til brug af eksisterende information i patientjournalen til at sikre tidlig identifikation af et problematisk alkoholforbrug blandt indlagte patienter.
AI og SWE til fedtleversygdom

I projektet blev der udviklet en maskinlæringsalgoritme med evnen til at forbedre den diagnostiske nøjagtighed af SWE-billeder hos patienter med kronisk fedtleversygdom.
Maskinlæringsalgoritmer til forudsigelse af kræft

Dette projekt fokuserede på udvikling af digitale værktøjer til at identificere væsentlige forskydninger i mønstre af sundhedsdata, så praktiserende læger kan advares om, at en specifik patient skal undersøges for mulig tidlig kræftsygdom.
AI til reumatoid arthritis

Projektet havde til formål at udvikle et robotsystem til tidlig opsporing og overvågning af leddegigt.
Tidlig opdagelse og overvågning af diabetes og komplikationer

Målet var at undersøge, om kutane variabler, der ikke er synlige for lægen med det blotte øje (dvs. usynlig ansigtsrødme og variation af rødme på grund af hjertepulsation) kan være markører for diabetes og især diabetisk neuropati.

Centre for Clinical Artificial Intelligence

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

Tilgængelighedserklæring
Cookiespolitik
Cookieerklæring
Kontakt
LinkedIn

APPFWU02V