Negen nieuwe AI-projecten verbeteren kwaliteit van leven en de gezondheidszorg

DIgitally Nudging Outdoor play, Game AI for MEntal Health

DINO GAME richt zich op de ontwikkeling van AI in een multiplayer location-based game om individuele fysieke activiteit te optimaliseren, met name voor kinderen die door een chronische ziekte of Covid-19 beperkt naar school gaan en met leeftijdsgenoten spelen. Terwijl UU en UMC Utrecht al samenwerken op het gebied van games en gamification voor kinderen met een chronische ziekte, ligt de focus in DINO GAME op het fysieke spel. Door de samenwerking met de WUR wordt aanvullende expertise ingebracht op het gebied van ruimtelijke cognitie en toegepaste gaming. Het project versterkt de samenwerking met hogescholen (HU en HvA), en maatschappelijke partner, het Trimbos-instituut. Het project wordt gefinancierd door het Institute for Preventive Health van de alliantie.

Onderzoeksteam: Alexander Klippel (WUR), Sander Bakkes, Heidi Lesscher, Remco Veltkamp (UU – Lead), Kors van der Ent, Sanne Nijhof (UMC Utrecht), Lisette van der Poel (HU), Marloes Kleinjan (Trimbos Instituut), Annette Brons (HvA, Digital Life)

Patiënt-centraal aanbevelingssysteem dat behandelrespons optimaliseert bij psychosen

U-HEAL richt zich op het vinden van AI oplossingen om de gepersonaliseerde behandelrespons bij patiënten met psychose te verbeteren. Het projectteam ontwikkelt een mensgericht AI raamwerk voor een slimme zorgtoepassing in de psychiatrie die zelfzorg op afstand bevordert. Het project combineert expertise op het gebied van data-analyse met een focus op machine learning in de psychiatrie (UU), machine learning oplossingen (UMC Utrecht), onzekerheid in AI, aanbevelingssystemen, en counterfactual learning voor model uitlegbaarheid (TU/e), en voeding en medicijnen (WUR).

Onderzoeksteam: Maryam Tavakol (TU/e), Renger Witkamp (WUR), Hugo Schnack (UU – Lead), Wiepke Cahn, Seyed Mostafa Kia (UMC Utrecht).

Genereren van pilot data door middel van AI voor deep-fenotypering van atherosclerotische plaques

PlaqAI wil de fenotypering van atherosclerotische plaques verbeteren en verfijnen door middel van een data gestuurde en agnostische benadering. Het project heeft de ambitie om hogere succespercentages te bereiken in de ontdekking van ziekte-geassocieerde bio markers die gebruikt kunnen worden voor preventieve gezondheidszorg, of in de setting van geneesmiddelen als surrogaat markers van werkzaamheid. Het project integreert verschillende 'omics'-datasets uit de Athero-Express Biobank Studie met de kennis en expertise op het gebied van atherosclerotische genetica (UMC Utrecht), beeld-gebaseerde analyses (TU/e) en AI (UU).

Onderzoeksteam: Mitko Veta (TU/e), Alejandro Lopez Rincon (UU), Sander van der Laan (UMC Utrecht – Lead)

Explainable AI en patiëntparticipatie in het voorspellen en voorkomen van aneurysma ruptuur

X plAIn-me wil AI inzetten voor de ontwikkeling van gepersonaliseerde voorspellingsmodellen van het risico op een aneurysma ruptuur, het verwerven van kennis over modificeerbare levensstijl risicofactoren voor aneurysma ruptuur en het verbeteren van patiënten participatie en voorlichting aan zorgprofessionals. Het project richt zich op de implementatie van nieuwe technische ontwikkelingen via medisch onderwijs in de klinische setting (TU/e, UU, UMC Utrecht) en het gebruik van machine learning technieken om dieet en voeding risicofactoren voor aneurysma ruptuur te onderzoeken uit de big dataset van de UK biobank (TU/e, WUR, UMC Utrecht).

Onderzoeksteam: Remco Duits (TU/e), Marianne Geleijnse (WUR), Marieke van der Schaaf (UU), Irene van der Schaaf, Ynte Ruigrok, Hugo Kuijf, Birgitta Velthuis (UMC Utrecht – Lead)

Geautomatiseerd medisch rapporteren om administratieve last bij zorgprofessionals te verminderen.

Care2Report beoogt de hoeveelheid tijd die zorgverleners besteden aan administratieve taken te verminderen door gebruik te maken van spraakherkenning en actieherkenningstechnologie om een interactie tussen een zorgverlener en een patiënt automatisch vast te leggen en samen te vatten. Het project maakt gebruik van de complementaire expertise op het gebied van productsoftwareontwikkeling en open-source softwareplatforms (UU), digitaliseringsprojecten in de ambulante zorg (UMCU), en het gebruik van grafische architectuurtools voor linguïstische AI (TU/e).

Onderzoeksteam: Michel Chaudron (TU/e), Sjaak Brinkkemper, Fernando Castor de Lima Filho (UU – Lead), Marije Marsman, Annemarie van ‘t Veen, O’Jay Medina (UMC Utrecht)

Betere Imputatie door Generatieve Adversariële NeTwerken

BIGANT wil Multivariate Imputation by Chained Equations (MICE) slimmer maken door recente vooruitgang in machinaal leren en AI toe te passen om het probleem van onvolledige datasets aan te pakken. Het project maakt gebruik van de complementaire expertise op het gebied van het oplossen van problemen met ontbrekende gegevens door MICE (UU), een diep inzicht in en ervaring met het toepassen van Generatieve Adversariële Netwerken op verschillende gebieden (TU/e), het oplossen van problemen met ontbrekende gegevens in epidemiologische en klinische toepassingen en het ontwikkelen van nieuwe datatechnieken voor real-time monitoring en voorspelling van de gezondheid (UMCU), en het modelleren van longitudinale patronen in plant- en diersystemen als functies van genetica, milieu en tijd (WUR).

Onderzoeksteam: Mykola Pechenizkiy, Cassio de Campos, Rianne Schouten (TU/e), Fred van Eeuwijk, Hendriek Boshuizen (WUR), Stef van Buuren, Gerko Vink, Hanne Oberman (UU – Lead ), Daniel Oberski, Thomas Debray (UMC Utrecht)

Integratie van psychologische en fysiologische gegevens in een AI-gebaseerd kader

Het project onderzoekt de potentie voor een vroegtijdig waarschuwingssysteem op basis van AI voor burn-out door het analyseren van zowel psychologische als fysiologische gegevens met conventionele en machine-learning technieken. Dit systeem is de opstap naar tijdige strategieën om de ontwikkeling van burn-out te voorkomen en zo bij te dragen aan het creëren en behouden van een gezonde en veerkrachtige beroepsbevolking. Het project maakt gebruik van de complementaire expertise op het gebied van psychologische werk gerelateerde factoren die samenhangen met burn-out (UU), fysiologische persoons gerelateerde factoren die samenhangen met burn-out (TU/e), AI-technieken en de toepassing daarvan in het gezondheidsdomein (WUR), en het ontwikkelen, valideren, evalueren en implementeren van een AI Prediction Algorithm in de medische sector (UMC Utrecht).

Onderzoeksteam: Leander van der Meij (TU/e), Hubert Fonteijn (WUR), Maria Peeters (UU – Lead), Jaap Trappenburg (UMC Utrecht)

De onderzoek basis voor een online zelfhulp platform dat helpt met rouw en verlies

Het project stelt een onderzoek voor naar de creatie van een AI-gestuurd platform voor rouwondersteuning thuis. Het platform zal gebruikers ondersteunen in het vinden van de meest effectieve coping stijl die past bij hun huidige behoeften, wat een gesuperviseerde machine learning aanpak vereist om tegemoet te komen aan personalisatie. Het project maakt gebruik van de complementaire expertise in AI en mens-computer interactie, ethiek van sociaal ontwrichtende technologie (TU/e), cognitieve gedragstherapie, toegepaste datawetenschapper (UU), psychiatrie, psychopathologie (UMC Utrecht), en datavisualisatie, interactieve multimedia systemen en software engineering (WUR).

Onderzoeksteam: Sanne Schoenmakers, Wijnand IJsselsteijn, Rooks (TU/e – Lead), Wil Hurst, Kwabena Ebo Bennin (WUR), Paul Boelen, Matthieu Brinkhuis (UU), Manik Djelantik (UMC Utrecht)

Verbeteren van gezondheid colorectale kankerpatiënten door het ontwikkelen en toepassen van causale kunstmatige intelligentie

Het project beoogt de identificatie van leefstijlfactoren die het belangrijkst zijn in het ziektebeloop van patiënten met colorectale kanker (CRC), wat een cruciale eerste stap is om het uiteindelijke doel te bereiken, namelijk het opstellen van evidence-based voedings- en leefstijlrichtlijnen om de gezondheid van CRC-patiënten te verbeteren. Het project stelt voor om bestaande AI-benaderingen gericht op voorspellende modellering te combineren met nieuwe en bestaande methoden voor causale ontdekking. Het project maakt gebruik van complementaire expertise op het gebied van data science (UU), electrical engineering, causale modellering in AI (TU/e), kankerepidemiologie, klinische epidemiologie en geneeskunde (UMC Utrecht), en voeding en fysieke activiteit (WUR).