Data- & AI-modellen

Kunstmatige intelligentie (AI) transformeert de manier waarop we de hersenen begrijpen en neurologische aandoeningen behandelen. Onze onderzoeksinnovatie 'AI Models' brengt neurowetenschappers, clinici, datawetenschappers en ingenieurs samen om algoritmen te ontwikkelen die patronen in complexe gegevens kunnen detecteren, nauwkeurige voorspellingen kunnen doen en de besluitvorming in de gezondheidszorg kunnen ondersteunen. Door enorme en diverse datasets om te zetten in bruikbare inzichten, maakt AI eerdere diagnoses, meer gepersonaliseerde behandelingen en betere resultaten op de lange termijn mogelijk.

Onze onderzoekers werken aan een nauwe integratie van AI-ontwikkelingen met de praktijk in de klinische en onderzoeksomgeving. We combineren grootschalige data uit medische beeldvorming, fysiologische monitoring, gedragsanalyses en genetische profielen om modellen te creëren die zowel robuust als klinisch relevant zijn. Deze aanpak zet data om in heldere, bruikbare inzichten, waardoor clinici sneller en beter onderbouwde beslissingen kunnen nemen en uiteindelijk de resultaten voor patiënten verbeteren.

AI is een krachtige bondgenoot bij het bevorderen van neurologische gezondheid en kan inzichten onthullen die met het blote oog onmogelijk te detecteren zijn. Door deze modellen in klinische werkprocessen te integreren, zorgen we ervoor dat AI-innovaties leiden tot snellere diagnoses, slimmere behandelingen en meer gepersonaliseerde zorg.

Doorbraken en impact

Door informatie uit diverse bronnen te combineren, streven we ernaar modellen te ontwikkelen die niet alleen nauwkeurig zijn in het laboratorium, maar ook praktisch toepasbaar in de dagelijkse klinische praktijk. Ons onderzoek omvat een breed scala aan toepassingen, van het vroegtijdig opsporen van psychiatrische stoornissen door middel van spraakanalyse tot het voorspellen van de uitkomst van epilepsie en het monitoren van het welzijn van pasgeborenen op de intensive care. AI vormt ook de basis voor innovatieve technologieën zoals brein-computerinterfaces, die communicatie mogelijk maken voor mensen met ernstige beperkingen.

  • BCI's voor effectieve communicatie

    Hersenen-computerinterfaces (BCI's) zijn veelbelovende oplossingen voor mensen met motorische beperkingen, bijvoorbeeld veroorzaakt door amyotrofische laterale sclerose (ALS), een beroerte, een dwarslaesie of cerebrale parese. Hersensignalen kunnen worden geregistreerd met behulp van geïmplanteerde elektroden en vertaald in commando's om computers en andere digitale apparaten te besturen, waardoor effectieve communicatie en toegang tot de wereld mogelijk worden. Deze technologie verbetert op die manier de zelfstandigheid, participatie en levenskwaliteit van mensen met ernstige motorische beperkingen.

    Neem contact op met Nick Ramsey via research@utrecht-bci.nl.

  • Hulpmiddelen voor het voorspellen van epilepsie

    Precisiegeneeskunde bij epilepsie richt zich op geïndividualiseerde voorspellingen van diagnose en uitkomst. In deze studie zijn gegevens van honderden patiënten met epilepsie, verzameld in meerdere Europese centra, gebruikt om vijf voorspellingsmodellen te ontwikkelen. Deze modellen zijn gratis online beschikbaar en worden wereldwijd in de dagelijkse klinische praktijk toegepast. Hiermee kunnen we bij individuele patiënten de kans op epilepsie na een eerste aanval, het risico op medicatieontwenning en de cognitieve uitkomsten na epilepsiechirurgie voorspellen.

    Neem contact op met Kees Braun via kbraun2@umcutrecht.nl.

  • AI om de levenskwaliteit van baby's te verbeteren

    De ENSEMBLE-studie benut de kracht van AI om de vroege voorspelling van de langetermijnuitkomsten bij pasgeborenen met hersenletsel te verbeteren. Het model integreert klinische gegevens, biomarkers en geavanceerde beeldvorming en ondersteunt zo gepersonaliseerde prognoses, vroege interventie en beter geïnformeerde zorg in een periode waarin de zich ontwikkelende hersenen nog zeer ontvankelijk zijn dankzij neuroplasticiteit. In nauwe samenwerking met ouders onderzoekt de studie ook hoe gezinnen gevoelige informatie over de toekomst van hun kind willen ontvangen. Het maakt vroegtijdig handelen, communicatie en zorg mogelijk, waardoor het potentieel van elk kind wordt gemaximaliseerd en de kwaliteit van leven wordt verbeterd.

    Neem contact op met Manon Benders via M.Benders@umcutrecht.nl of Maria Luisa Tataranno via M.L.Tataranno-2@umcutrecht.nl.

  • Sleep Well Baby software

    Sleep Well Baby is een monitoringsysteem voor aan het bed, ontworpen om de slaap-waaktoestand van premature baby's te beoordelen aan de hand van fysiologische signalen die al worden geregistreerd op de neonatale intensive care-afdeling (NICU). Denk hierbij aan hartslag, ademhalingsfrequentie en zuurstofsaturatie. Door middel van uitgebreide klinische en algoritmische validatie maakt het systeem gebruik van machine learning om in realtime en niet-invasief actieve slaap, rustige slaap en wakker zijn te classificeren. Daarnaast onderzoekt het project de verbanden tussen slaap en hersenontwikkeling, met als uiteindelijk doel de klinische impact van slaapbescherming op de neurologische ontwikkeling prospectief te evalueren.

    Neem contact op met Jeroen Dudink via J.Dudink@umcutrecht.nl.

  • “Praat met me en ik zal je vertellen hoe het met je gaat.”

    Schizofreniespectrumstoornissen, gekenmerkt door (auditieve) hallucinaties en cognitieve achteruitgang, zijn in verband gebracht met veranderingen in de taalgebieden van de hersenen. Taalgegevens, met name (vrije) spraakgegevens, kunnen gemakkelijk in de praktijk worden verzameld, waardoor ze klinisch gebruikt kunnen worden voor vroegtijdige detectie bij jongeren met een verhoogd risico of een terugval. Met behulp van deze gegevens konden onderzoekers personen met een schizofreniespectrumstoornis identificeren door (grote) taalmodellen te combineren met andere machine learning-technieken.

    Neem contact op met Hugo Schnack via h.g.schnack@uu.nl.

  • BASIC studie

    Het BASIC-project onderzoekt hoe universiteitsstudenten de vaardigheden en het bewustzijn ontwikkelen die nodig zijn om effectief en verantwoord met generatieve AI te werken. Aan de hand van video-, log- en enquêtegegevens brengt het project in kaart hoe studenten in hybride leeromgevingen met AI omgaan. Deze inzichten laten zien hoe studenten AI-tools zich eigen maken, het gebruik ervan kritisch evalueren en ze op een zinvolle manier toepassen. De bevindingen, gebaseerd op gegevens uit twee Europese hogeronderwijssystemen, ondersteunen verantwoord en duurzaam gebruik van AI in het onderwijs en het beroepsleven.