Paksusuolen syöpä on kolmanneksi yleisin syöpätyyppi Alankomaissa. Paksusuolen syöpä johtuu polyyppien kehittymisestä paksusuolen syöpään. Jotta paksusuolen syöpä ja esivaiheet voitaisiin havaita ajoissa, valtakunnallinen väestösyöpätutkimus otettiin käyttöön vuonna 2014 ulostetestin perusteella. Kaikkia ihmisiä, joilla on positiivinen ulostetesti, kehotetaan tekemään koloskopia polyyppien tarkastelemiseksi, poistamiseksi ja patologisesti analysoimiseksi. Väestötutkimuksen käyttöönotto on johtanut koloskooppien määrän vuotuiseen kasvuun, joka vain kasvaa ikääntymisen vuoksi. Tämä johtaa pitkiin jonotuslistoihin ja lisää kustannuksia. Tällä hetkellä kaikki polyypit lähetetään patologiseen tutkimukseen. Noin 80–90 % kaikista näistä polyypeistä on pieniä polyyppejä, joilla on minimaalinen paksusuolen syövän riski. Koska suuri esiintyvyys pieniä polyyppejä tuolloin minimaalinen riski paksusuolen syövän, ”optinen diagnoosi strategia” on kehitetty. Käytettäessä ”optinen diagnoosi strategia”, pienet polyypit paksusuolen arvioidaan korkean tai heikon turvallisuuden endoscopist. Suurella varmuudella tämä strategia poistaa pienen polypin ja heittää sen pois ilman patologin arviointia. Samalla pienet hyperplastiset polyypit jätetään paikan päälle, koska niitä pidetään viattomina. Kuitenkin, jos endoskopisti voi tehdä optisen diagnoosin polypin ulkonäön perusteella vain alhaisella luotettavuudella, polyyppi lähetetään patologille. Optisen diagnoosin strategia vähentää merkittävästi koloskopiaan liittyvää aikaa ja kustannuksia. Lisäksi innovaatio auttaa vähentämään komplikaatioiden riskiä, koska jokaista polyoppia ei tarvitse poistaa enääViimeaikaiset tutkimukset osoittavat, että tämän ”optisen diagnoosistrategian” diagnostinen tarkkuus on erittäin riippuvainen endoskopistin koulutuksesta ja kokemuksesta. Optisen diagnoosin tarkkuuden parantamiseksi tietokoneavusteista diagnoosia (CAD) koskevaa tuoretta tutkimusta on tehty. Voidaan kehittää keinotekoisesti älykkäitä ohjelmia, jotka auttavat endoskopisteja polyyppien tarkassa luokittelussa. Huolimatta siitä, että tekoäly on osoittanut potentiaalia diagnostisena välineenä äskettäin julkaistuissa kansainvälisissä tutkimuksissa, tätä teknologiaa ei ole vielä sovellettu toimintaympäristössä. Edellä esitetyn perusteella hankekumppanit haluavat kehittää polyyppien luokittelutyökalun POLAR. Käyttämällä konvolutional neuroverkkoja hankekumppanit aikovat sisällyttää patologisen analyysin kultaisen standardin järjestelmään vaikuttaakseen merkittävästi ”optisen diagnoosistrategian” luotettavuuteen ja hollantilaisen hoidon kestävyyteen. Hankkeella edistetään arvostuksen ja innovoinnin lisääntymistä ZiuZissa ja asiaankuuluvissa pk-yrityksissä. ZiuZin, AMC/AMR:n, MCL:n ja Societyn välinen yhteistyö on hyvä esimerkki biotieteiden ja huipputeknologian alan välisestä ristiriidasta. Hanke sopii saumattomasti myös yhteiskunnalliseen haasteeseen ”terveys, väestökehitys ja hyvinvointi”. Tällä hankkeella hankekumppanit aikovat työntää tekoälysovellusten rajoja terveydenhuoltoalalla. ZiuZin luokittelutyökalun kehittämisessä käyttämät tekniikat, kuten konvolutional neuroverkot, ovat erittäin innovatiivisia tekniikoita ja muodostavat tekoälytutkimuksen nykyisen kärkipään. Erityisesti lääketieteellisessä maailmassa nämä tekniikat ovat edelleen hyvin rajallisia. Innovatiivista on myös sellaisen työkalun kehittäminen, jolla voidaan luokitella polyypit makroskooppisella tasolla. Hankekumppanit odottavat vaikuttavan merkittävästi terveydenhuoltokustannusten alenemiseen Alankomaissa, Euroopassa ja Yhdysvalloissa. Ensimmäiset numeeriset analyysit osoittavat, että POLAR johtaa säästöihin kymmenissä miljoonissa. Lisäksi tekoälyn kysyntä terveydenhuollossa kasvaa tutkimusyrityksen Gartnerin mukaan. Uuden ansaintamallin ansiosta ZiuZ odottaa sairaaloiden nousevan helposti. Yksityiskohtaisten laskelmien perusteella katsotaan uskottavaksi, että POLARin liikevaihto on 6,1 miljoonaa euroa vuonna 2025 ja henkilöstön määrä 18,7 kokoaikaista työntekijää. Nämä ovat laadukkaita työpaikkoja. Kestävän kehityksen tärkein näkökohta on polyyppien luokittelun optimointi. Tämä edistää merkittävästi hoidon pitämistä kohtuuhintaisena. Lisäksi komplikaatioiden riski pienenee. Se johtaa myös paljon nopeampaan diagnoosiin potilasryhmälle, mikä vähentää stressiä. Tutkimus suoritetaan yleisen tietosuoja-asetuksen mukaisesti.