NEMO: the Next Move in Movement Disorders (Q3988812)

From EU Knowledge Graph
Revision as of 17:08, 12 January 2022 by DG Regio (talk | contribs) (‎Changed label, description and/or aliases in es, and other parts: Adding Spanish translations)
Jump to navigation Jump to search
Project Q3988812 in Netherlands
Language Label Description Also known as
English
NEMO: the Next Move in Movement Disorders
Project Q3988812 in Netherlands

    Statements

    0 references
    2,370,129.0 Euro
    0 references
    2,370,129.0 Euro
    0 references
    100.0 percent
    0 references
    1 January 2018
    0 references
    20 February 2022
    0 references
    Universitair Medisch Centrum Groningen (UMCG)
    0 references
    Ziuz Medical B.V.
    0 references
    ZiuZ Nemo B.V.
    0 references
    Q3985026 (Deleted Item)
    0 references
    0 references
    0 references

    53°13'19.56"N, 6°34'34.28"E
    0 references
    9713GZ
    0 references
    8400 AA
    0 references
    8400 AC
    0 references
    Op dit moment worden patiënten met hyperkinetische bewegingsstoornissen geclassificeerd op basis van expert opinie. Hierbij wordt in sommige gevallen gebruik gemaakt van elektromyografie (EMG). De classificatie is dus voornamelijk gebaseerd op klinische beoordeling. Het beoordelen van het type hyperkinetische bewegingsstoornis is complex omdat er kleine nuances tussen ziektebeelden zitten en patienten meerdere stoornissen kunnen hebben. Daarbij komt dat de mens haar observatie vanuit een holitische wijze doet en dus altijd naar de samenhang kijkt van hetgeen wordt geobserveerd. Voor een goede classificatie en diagnose van hyperkinetische bewegingsstoornissen is juist een objectieve waarneming van (delen van) het lichaam essentieel. Het gaat hierbij om de frequentie van bewegingen van bijvoorbeeld de bovenarm, de hoeken waaronder dit gebeurt en (on)willekeur. Het gevolg van dit alles is dat de juiste classificatie en diagnose van bewegingsstoornissen momenteel een Kappa-waarde, een maat die gebruik wordt om de overeenstemming tussen de specialisten weer te geven, kent van gemiddeld 0,5 tot 0,6. Dit betekent dat de kans relatief groot is dat een verkeerde diagnose wordt gedaan, een verkeerde behandeling wordt gestart en daarmee de doelmatigheid van de Nederlandse zorg niet optimaal is.ZiuZ en UMCG willen in dit project onderzoek doen naar hoe kunstmatige intelligentie bij kan dragen aan het verbeteren van de classificatie en diagnose met als doel om deze te verhogen tot tenminste 0,8 en daarmee het aantal ‘foutieve’ behandeling verlaagd. Het doel van dit project is daarom de ontwikkeling van een eerste ‘proof of principle’ van een Computer aided diagnose tool (CAD-tool) dat de diagnostisering, behandeling en evaluatie van natuurlijk verloop van hyperkinetische bewegingsstoornissen moet verbeteren en waarbij gebruik wordt gemaakt van meerdere databronnen (video/sensoren/medische informatie). De projectresultaten zouden vervolgens ook toegepast kunnen worden op bv. Parkinson-onderzoek, hetgeen raakvlakken heeft met tremoren. (Dutch)
    0 references
    Currently, patients with hyperkinetic movement disorders are classified on the basis of expert opinion. Electromyography (EMG) is used in some cases. The classification is therefore mainly based on clinical assessment. Assessing the type of hyperkinetic movement disorder is complex because there are small nuances between diseases and patients may have multiple disorders. In addition, man does its observation from a holite manner and therefore always looks at the coherence of what is being observed. For a proper classification and diagnosis of hyperkinetic movement disorders, an objective observation of (parts of) the body is essential. This concerns the frequency of movements of, for example, the upper arm, the angles under which this occurs and (in)random. The result of all this is that the correct classification and diagnosis of movement disorders currently has a Kappa value, a measure used to reflect the agreement between the specialists, from an average of 0.5 to 0.6. This means that the chances are relatively high that a wrong diagnosis is done, a wrong treatment is started and therefore the effectiveness of Dutch care is not optimal. ZiuZ and UMCG want to research in this project how artificial intelligence can contribute to improving the classification and diagnosis with the aim of increasing it to at least 0.8 and thus reducing the number of ‘wrong’ treatment. The aim of this project is therefore to develop a first proof of principle of a Computer Aided Diagnostic Tool (CAD tool) that aims to improve the diagnosis, treatment and evaluation of natural course of hyperkinetic movement disorders and using multiple data sources (video/sensors/medical information). The project results could then also be applied to e.g. Parkinson’s research, which has interfaces with tremors. (English)
    15 December 2021
    0 references
    Actuellement, les patients présentant des troubles des mouvements hypercinétiques sont classés sur la base d’un avis d’experts. L’électromyographie (EMG) est utilisée dans certains cas. La classification repose donc principalement sur une évaluation clinique. L’évaluation du type de trouble du mouvement hypercinétique est complexe parce qu’il y a de petites nuances entre les maladies et les patients peuvent avoir plusieurs troubles. En outre, l’homme fait son observation d’une manière holite et regarde donc toujours la cohérence de ce qui est observé. Pour une classification et un diagnostic appropriés des troubles des mouvements hypercinétiques, une observation objective de (parties) du corps est essentielle. Cela concerne la fréquence des mouvements, par exemple, du bras supérieur, les angles sous lesquels cela se produit et (in)random. Le résultat de tout cela est que la classification correcte et le diagnostic des troubles des mouvements a actuellement une valeur Kappa, une mesure utilisée pour refléter l’accord entre les spécialistes, d’une moyenne de 0,5 à 0,6. ZiuZ et UMCG veulent étudier dans ce projet comment l’intelligence artificielle peut contribuer à améliorer la classification et le diagnostic dans le but de l’augmenter à au moins 0,8 et donc de réduire le nombre de traitements «mauvais». L’objectif de ce projet est donc de développer une première preuve de principe d’un outil de diagnostic assisté par ordinateur (outil CAD) qui vise à améliorer le diagnostic, le traitement et l’évaluation de l’évolution naturelle des troubles du mouvement hyperkinétique et en utilisant de multiples sources de données (vidéo/capteurs/informations médicales). Les résultats du projet pourraient alors également être appliqués à la recherche de Parkinson, qui a des interfaces avec les tremblements. (French)
    15 December 2021
    0 references
    Derzeit werden Patienten mit hyperkinetischen Bewegungsstörungen auf der Grundlage des Gutachtens klassifiziert. Elektromyographie (EMG) wird in einigen Fällen verwendet. Die Einstufung beruht daher hauptsächlich auf der klinischen Bewertung. Die Beurteilung der Art der hyperkinetischen Bewegungsstörung ist komplex, da es kleine Nuancen zwischen Krankheiten und Patienten gibt, die mehrere Störungen haben können. Darüber hinaus macht der Mensch seine Beobachtung von einer holitischen Art und Weise und betrachtet daher immer die Kohärenz dessen, was beobachtet wird. Für eine korrekte Klassifizierung und Diagnose von hyperkinetischen Bewegungsstörungen ist eine objektive Beobachtung (Teile) des Körpers unerlässlich. Dies betrifft die Häufigkeit der Bewegungen, z. B. des oberen Arms, der Winkel, unter denen dies auftritt, und (in)random. Das Ergebnis ist, dass die korrekte Klassifizierung und Diagnose von Bewegungsstörungen derzeit einen Kappa-Wert hat, eine Maßnahme, die verwendet wird, um die Vereinbarung zwischen den Spezialisten von durchschnittlich 0,5 bis 0,6 widerzuspiegeln. ZiuZ und UMCG wollen in diesem Projekt untersuchen, wie künstliche Intelligenz zur Verbesserung der Klassifizierung und Diagnose beitragen kann, um sie auf mindestens 0,8 zu erhöhen und so die Zahl der „falschen“ Behandlungen zu verringern. Ziel dieses Projekts ist es daher, einen ersten prinzipiellen Nachweis eines Computer Aided Diagnostic Tool (CAD-Tool) zu entwickeln, das die Diagnose, Behandlung und Bewertung des natürlichen Verlaufs von hyperkinetischen Bewegungsstörungen und unter Verwendung mehrerer Datenquellen (Video/Sensoren/medizinische Informationen) verbessern soll. Die Projektergebnisse könnten dann auch auf z. B. Parkinsons Forschung angewendet werden, die Schnittstellen zu Zittern hat. (German)
    15 December 2021
    0 references
    Attualmente, i pazienti con disturbi del movimento ipercinetico sono classificati sulla base del parere di esperti. L'elettromiografia (EMG) è usata in alcuni casi. La classificazione si basa quindi principalmente sulla valutazione clinica. Valutare il tipo di disturbo del movimento ipercinetico è complesso perché ci sono piccole sfumature tra le malattie e i pazienti possono avere disturbi multipli. Inoltre, l'uomo fa la sua osservazione da un modo olite e quindi guarda sempre alla coerenza di ciò che viene osservato. Per una corretta classificazione e diagnosi di disturbi ipercinetici del movimento, è essenziale un'osservazione oggettiva di (parti del) corpo. Ciò riguarda la frequenza dei movimenti, ad esempio, della parte superiore del braccio, degli angoli sotto i quali si verifica e (in)casuale. Il risultato di tutto questo è che la corretta classificazione e diagnosi dei disturbi del movimento attualmente ha un valore Kappa, una misura utilizzata per riflettere l'accordo tra gli specialisti, da una media di 0,5 a 0,6. ZiuZ e UMCG vogliono ricercare in questo progetto come l'intelligenza artificiale possa contribuire a migliorare la classificazione e la diagnosi con l'obiettivo di aumentarla ad almeno 0,8, riducendo così il numero di trattamenti "sbagliati". L'obiettivo di questo progetto è quindi quello di sviluppare una prima prova di principio di uno strumento diagnostico computerizzato (strumento CAD) che mira a migliorare la diagnosi, il trattamento e la valutazione del decorso naturale dei disturbi del movimento ipercinetico e utilizzando più fonti di dati (video/sensori/informazioni mediche). I risultati del progetto potrebbero quindi essere applicati anche alla ricerca di Parkinson, che ha interfacce con tremori. (Italian)
    11 January 2022
    0 references
    Actualmente, los pacientes con trastornos del movimiento hipercinético se clasifican sobre la base de la opinión de los expertos. La electromiografía (EMG) se utiliza en algunos casos. Por lo tanto, la clasificación se basa principalmente en la evaluación clínica. Evaluar el tipo de trastorno del movimiento hipercinético es complejo porque hay pequeños matices entre las enfermedades y los pacientes pueden tener trastornos múltiples. Además, el hombre hace su observación de una manera holita y, por lo tanto, siempre mira la coherencia de lo que se está observando. Para una correcta clasificación y diagnóstico de trastornos del movimiento hipercinético, es esencial una observación objetiva de (partes de) el cuerpo. Esto se refiere a la frecuencia de los movimientos de, por ejemplo, la parte superior del brazo, los ángulos bajo los cuales esto ocurre y (in)random. El resultado de todo esto es que la correcta clasificación y diagnóstico de los trastornos del movimiento tiene actualmente un valor Kappa, una medida utilizada para reflejar el acuerdo entre los especialistas, de un promedio de 0,5 a 0,6. ZiuZ y UMCG quieren investigar en este proyecto cómo la inteligencia artificial puede contribuir a mejorar la clasificación y el diagnóstico con el objetivo de aumentarla a al menos 0,8 y así reducir el número de tratamientos «incorrectos». El objetivo de este proyecto es, por lo tanto, desarrollar una primera prueba de principio de una herramienta de diagnóstico asistido por ordenador (herramienta CAD) que tenga como objetivo mejorar el diagnóstico, el tratamiento y la evaluación del curso natural de trastornos del movimiento hipercinético y utilizando múltiples fuentes de datos (vídeo/sensores/información médica). Los resultados del proyecto también podrían aplicarse a, por ejemplo, la investigación de Parkinson, que tiene interfaces con temblores. (Spanish)
    12 January 2022
    0 references

    Identifiers

    OP-2014-2023-Noord-OPSNN0193
    0 references