Systemet fungerer som en assistent til Sundhedsstyrelsens Enhed for Strålebeskyttelse, og skal understøtte medarbejdere ved tilsyn med stråling ved automatisk at strukturere observationer og udarbejde tilsynsrapporter.

Nationalt lægemiddelovervågningssystem der anvender AI og big data til real-time detektion og analyse af lægemiddelbivirkninger på danske hospitaler og i primærsektoren.

Signaturprojektet, "aEye", har til formål at styrke behandlingen af borgere med øjensygdommen, aldersrelateret makuladegeneration (AMD), ved hjælp af kunstig intelligens. 

Signaturprojektet "Bedre diagnostik af gravide ved hjælp af kunstig intelligens" har til formål at udvikle en løsning, som skal forbedre kvaliteten af ultralydsskanninger af gravide for derved at øge evnen til at forudsige komplikationer.  

Signaturprojektet "Kunstig intelligens til understøttelse af visitation af henvisninger fra almen praksis" er et samarbejde mellem Region Sjælland og Region Hovedstaden. Projektet har til formål at optimere håndteringen af henvisninger fra praktiserende læger til sygehusvæsenet ved hjælp af kunstig intelligens. 

EU-finansieret forskningsprojekt (Horizon Europe) der anvender AI til analyse af FDG-PET/CT-billeder med henblik på at forbedre overvågning af behandlingsrespons hos patienter med metastatisk brystkræft, på tværs af 7 europæiske lande herunder 4 danske regioner.

Forskningsprojekt der udvikler ansvarlig kunstig intelligens til beslutningsstøtte ved akuttelefonen 1813 med henblik på at forbedre triagering, patientsikkerhed og ressourceanvendelse.

AI Mammo er et AI-system, der anvender mønstergenkendelse til at analysere mammografibilleder. Ved at træne på store datamængder kan det identificere unormale vævmønstre, hvilket hjælper med at opdage potentielle tumorer i brystvævet.  

Region Hovedstadens Akutberedskab har i samarbejde med virksomheden Corti udviklet en løsning, der ved at lytte med, når en borger ringer til akutnummeret 112, kan hjælpe de sundhedsfaglige medarbejdere med at identificere symptomer på hjertestop, som måske ellers ikke opdages i telefonen. 

Signaturprojektet, SmartChest, omhandlede et system, der analyserede og sorterede røntgenbilleder af brystkassen ud fra, om de viste tegn på sygdom eller ej. Dermed kunne radiologerne koncentrere sig om de røntgenbilleder, hvor patienten fejlede noget.

Når en gravid person ringer til fødeafdelingen, skal kunstig intelligens hjælpe jordemoderen med at vurdere, om den gravide person skal indlægges på hospitalet til klinisk vurdering, eller om vedkommende kan blive hjemme.  

Projekt der anvender deep learning (fully convolutional networks) til automatisk graduering af nethindebilleder og detektion af diabetisk retinopati — trænet på over 35.000 nethindebilleder fra OUH.

Projekt der anvender maskinlæring til automatisk at genkende og klassificere audiogrammønstre i mindst 8–10 af de mest almindelige høretab-subtyper, med henblik på at understøtte klinisk beslutningsstøtte og mulig integration med patientbetjent audiometri (UAud).

Projekt der udvikler NLP-algoritmer til at identificere tidligere episoder af venetromboembolisme i patienters elektroniske journaler og kombinere disse med en blødningsalgoritme for at understøtte kliniske beslutninger om antikoagulationsbehandling.

PhD-forskningsprojekt der udvikler en AI-algoritme til detektion af potentielt maligne lungeforandringer på lavdosis-CT-scanninger med henblik på at understøtte lungekræftdiagnostik og -screening i Danmark.

AI-projekt der udvikler en algoritme til automatisk klassificering af lymfeknodevævsprøver som lav- eller højrisiko (benign/malign) med henblik på at forbedre effektiviteten og præcisionen i kræftdiagnostik ved Patologisk Afdeling på OUH.

AI-system der automatiserer udarbejdelsen af tværsektorielle kommunikationsdokumenter — plejeplaner og udskrivningsbreve — ved patientovergange mellem Odense Universitetshospital og den kommunale plejesektor, ved hjælp af agentic RAG-teknologi.

Systemet har til formål at identificere asymptomatiske personer med svær ubehandlet sygdom, som har høj risiko for hjerte-kar-sygdomme.

Horizon Europe-finansieret projekt der udvikler AI-algoritmer til automatisk billedanalyse ved colon kapselendoskopi (CCE) — et minimalt invasivt alternativ til optisk koloskopi — med 10 europæiske partnere.

Rigshospitalets hjerteafdeling vil i samarbejde med Alexandra Instituttet udvikle en algoritme, der kan finde mønstre i sundhedsdata, og dermed gøre behandlingen af patienter med blodprop endnu bedre.  

Signaturprojektet, "Kunstig intelligens til bedre tilrettelæggelse af kræftbehandling", handler om at optimere stråleterapien samt planlægge bedre og mere tilpassede behandlingsforløb for kræftpatienter. Således skal overlevelse og livskvalitet øges, og bivirkninger og senfølger reduceres.

Signaturprojektet, "Reduktion af stråledosis ved skanninger brugt i kræftbehandling", omhandler et AI-system, hvor en patient blev scannet med en lavere stråledosis og i kortere tid, men med en opnåelse af god billedkvalitet. Således kunne man kontrolscanne oftere, uden at patienten påføres en betydelig stråledosis.

Når patienter udskrives fra hospitalet, bruges AI-systemet, Ward Home, til at overvåge deres tilstand i eget hjem. Systemet kan vurdere borgerens tilstand og alarmere det sundhedsfaglige personale, hvis dette bliver nødvendigt. 

Systemet analyserede røntgenbilleder af knæ for slidgigt og udarbejdede et udkast til en radiologisk rapport, som gav lægen et udgangspunkt for behandlingen. Dette skulle gøre behandlingen hurtigere, bedre og mere ensartet. 

HospiBot er en robot, som har til formål at støtte og aflaste personalet på hospitaler.