Pondoo bruger avanceret AI-teknologi til at forbedre besøgsplanlægningen i hjemmeplejen med kunstig intelligens. Systemet optimerer ruteudlægning og minimerer køretid, samtidig med at det prioriterer kontinuitet og matcher personale med kompetencer til borgernes behov. Understøtter kvalitetsfuld og effektiv omsorg.

Digital platform til individuelt tilpasset styrketræning for ældre borgere i hjemmeplejen. Systemet består af elektroniske træningsprogrammer med screeninger, der dynamisk tilpasser sig borgernes funktionsniveau.

Teton er et AI-baseret sensormoniteringssystem til faldforebyggelse og patientovervågning på hospitaler og plejehjem. Systemet bruger sensorer monteret i loftet til at registrere patienters bevægelser og aktivitetsniveau, og advarer personalet ved forhøjet faldrisiko eller uhensigtsmæssige hændelser. 

LOVOT er en social robot udviklet i Japan af virksomheden Groove X. Robotten er designet til at skabe glæde og trivsel gennem interaktion med mennesker, særligt personer med demens.

Signaturprojektet "Kvalitetsudvikling med patienten i fokus. Realtidsprognoser og essentiel information til klinikere (DABAI)" var et projekt som brugte kunstig intelligens til at støtte sundhedsfagligt personale med realtidsprognoser og essentiel information. 

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.  

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. 

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.  

Signaturprojektet omhandler en forudsigelse af sandsynligheden for, at en specifik tarmkræftspatient får en komplikation i forlængelse af en operation. Behandlingsforløbet kan dermed tilpasses på forhånd, hvilket reducerer risikoen efter operationen.

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

PhD-projekt der tester et AI-system til scanningsbeslutningsstøtte og billedanalyse ved MR-scanning af akutte slagtilfælde — med henblik på at fremskynde diagnostik og behandlingsbeslutninger ved apopleksi.

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).

AI-projekt der i realtid identificerer områder med cellulære forandringer (dysplasi) i kolposkopivideoer og viser disse som et visuelt overlay til klinikeren — med henblik på mere målrettede biopsier og bedre cervixkræftdiagnostik.

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.

EU-initiativ (EU4Health) der støtter implementeringen af standardiserede kræftscreeningsprogrammer på tværs af 29 europæiske lande, herunder integration af AI i brystkræftdiagnostik og optimering af screeningsprogrammer for bryst-, livmoderhals-, tyk- og endetarmskræft samt lungekræft.

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.