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

Test og validering af et AI-system i en eksisterende radiologi-workflow og analyse af indvirkningen på kræftdetektion og tilbagekaldelsesrater samt arbejdsbelastning
DETECT Acute

Vurdering af 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

Udvikling af en AI-algoritme, der kunne identificere træningsudstyr og tilpasse sig den enkelte hjertepatients fysiske formåen og dermed gøre VR-træning intelligent og effektiv
Chatbots

Undersøgelse af 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

Udvikling af 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

Test og validering af effekten af en sentinel-algoritme anvendt på sundhedsdata til tidlig genkendelse af ældre voksne i lokalsamfundet med risiko for akut hospitalsindlæggelse
AutoDok

Udvidelse af systemet Patient Deterioration Warning System (PDWS) med funktionalitet til håndtering af klinisk dokumentation for monitorerede og ikke-monitorerede patienter under indlæggelse
Ikke-invasiv påvisning, overvågning og forudsigelse af epileptiske anfald

Udvikling af nye måder til at opdage epileptiske anfald ved at analysere ufrivillige bevægelser af øjne og ansigt
Screening af skildvagtslymfeknuder for metastaser

Udvikling og test af en AI-løsning til at påvise metastaser i skildvagtslymfeknuder i brystkræft for at understøtte beslutningstagning
LiverTrail

Udvikling og validering af et beslutningshjælpemiddel til brug i det primære sundhedsvæsen til at vurdere risikoen for fremskreden fibrose hos patienter med alkoholisk og ikke-alkoholisk fedtleversygdom
MERIS

Test og implementering af MERIS-algoritmen i de kliniske farmaceuters arbejde på afdelinger på Odense Universitetshospital med en aftale om medicingennemgang
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

Udvikling af 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

Udvikling af en maskinlæringsalgoritme med evnen til at forbedre den diagnostiske nøjagtighed af SWE-billeder hos patienter med kronisk fedtleversygdom
Maskinlæringsalgoritmer til forudsigelse af kræft

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

Ny farveforstørrelsesmetode for at gøre ansigtets erytem (opfattelse af venøs stase i mikrocirkulationen) synlig i videoer af diabetikere
Automatisk audiogramklassificering

Brug af AI til at genkende audiogrammønstre. Målet var at genkende mindst 8 til 10 af de mest almindelige audiogramundertyper
FAST-MRI

Undersøgelse af 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 30, indgang 216, stuen
5000 Odense C

Tilgængelighedserklæring
LinkedIn
Kontakt

APPFWU01V