Systemet er en generativ AI-chatbot på sundhed.dk, der besvarer borgernes spørgsmål om sygdom, symptomer og behandling ud fra sundhedsfagligt kvalitetssikret indhold i Patienthåndbogen.

AI-systemet er et værktøj med det formål at nedbringe antallet af patienter, der udebliver fra deres aftaler.  

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. 

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

Machine learning-baseret prædiktionssystem udviklet ved Aarhus Universitet og Region Midtjylland til forudsigelse af kliniske udfald i psykiatrien for at forbedre behandling og patientresultater.

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.

Digitalt understøttet arbejdsgang der kombinerer teledermatoskopi (Dermloop-platformen) og AI-billedanalyse til at effektivisere diagnostik af mistænkt hudkræft på tværs af sektorer — og reducere ventetider på op til 42 uger.

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.

Testprojekt der afprøver infrarød sensorteknologi kombineret med AI til forebyggelse af fald blandt ældre patienter med demens på geriatriske afdelinger på Odense Universitetshospital og OUH Svendborg.

Projekt der integrerer AI i et eksisterende telemedicinprogram for kronisk syge patienter med henblik på at skifte fra reaktiv til proaktiv behandling — ved tidlig forudsigelse af forværringer og komplikationer, og dermed reducere hospitalsindlæggelser.

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

Digital løsning der identificerer hjemmeplejemodtagere med højest risiko for indlæggelse indenfor 30 dage ved at analysere SOSU-medarbejdernes fritekst observationer med matematiske modeller.

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.

TALT er et AI-system til sundhedsfaglig dokumentation i kommunal sundheds- og ældrepleje. Systemet bruger tale-til-tekst teknologi og generativ AI til at generere dokumentationsforslag baseret på samtaler mellem medarbejder og borger samt opsummere eksisterende journaloplysninger.

Signaturprojektet, "Kunstig intelligens til forebyggelsen af underernæring og indlæggelse af ældre", havde til formål at udvikle et værktøj baseret på kunstig intelligens til at identificere og forebygge underernæring blandt ældre patienter, med det ultimative mål at reducere akutte sygehusophold. 

Signaturprojektet, "AIR", omhandler kunstig intelligens, der skulle give borgerne den træning, som de med størst sandsynlighed fik mest ud af. Dermed var projektet både forebyggende og rehabiliterende.

Projektet undersøgte, hvordan kunstig intelligens kan hjælpe med at forebygge forværringer hos patienter med KOL eller hjertesvigt ved tidlig opsporing og intervention. 

Signaturprojektet, Kunstig intelligens i almen praksis, havde til formål at undersøge, hvordan kunstig intelligens kan reducere arbejdsbyrden og forbedre behandlingskvaliteten i almen praksis gennem mere effektiv dataudnyttelse. Projektet fokuserede på at etablere en sikker juridisk og teknisk infrastruktur, der muliggør udvikling af AI-algoritmer. 

DESERT-projektet gik ud på at udarbejde et beslutningsstøttesystem til brug i akutmodtagelsen. Systemet beregner sandsynligheden af forskellige hyppige livstruende tilstande på baggrund af blod- og urinanalyser.