I øjeblikket er patienter med hyperkinetiske bevægelsesforstyrrelser klassificeret på grundlag af ekspertudtalelser. Elektromyografi (EMG) anvendes i nogle tilfælde. Klassificeringen er derfor hovedsagelig baseret på klinisk vurdering. Vurdering af typen af hyperkinetisk bevægelsesforstyrrelse er kompleks, fordi der er små nuancer mellem sygdomme og patienter kan have flere lidelser. Desuden gør mennesket sin observation fra en holit måde og ser derfor altid på sammenhængen i det, der observeres. For en korrekt klassificering og diagnose af hyperkinetiske bevægelsesforstyrrelser er en objektiv observation af (dele af) kroppen afgørende. Dette vedrører hyppigheden af bevægelser af f.eks. overarmen, de vinkler, hvorunder dette sker, og (i)tilfældig. Resultatet af alt dette er, at den korrekte klassificering og diagnose af bevægelsesforstyrrelser i øjeblikket har en Kappa værdi, en foranstaltning, der anvendes til at afspejle aftalen mellem specialisterne, fra et gennemsnit på 0,5 til 0,6. Det betyder, at chancerne er relativt høje for, at en forkert diagnose udføres, en forkert behandling startes, og derfor er effektiviteten af hollandsk pleje ikke optimal. ZiuZ og UMCG ønsker at undersøge i dette projekt, hvordan kunstig intelligens kan bidrage til at forbedre klassificeringen og diagnosen med det formål at øge den til mindst 0,8 og dermed reducere antallet af "forkert" behandling. Formålet med dette projekt er derfor at udvikle et første principbevis for et computerstøttet diagnostisk værktøj (CAD-værktøj), der har til formål at forbedre diagnosen, behandlingen og evalueringen af det naturlige forløb af hyperkinetiske bevægelsesforstyrrelser og ved hjælp af flere datakilder (video/sensorer/medicinsk information). Projektresultaterne kan så også anvendes på f.eks. Parkinsons forskning, som har grænseflader med rystelser.