Obecnie pacjenci z zaburzeniami ruchu hiperkinetycznego są klasyfikowani na podstawie opinii ekspertów. W niektórych przypadkach stosuje się elektromiografię (EMG). Klasyfikacja opiera się zatem głównie na ocenie klinicznej. Ocena typu hiperkinetycznego zaburzenia ruchu jest złożona, ponieważ istnieją małe niuanse między chorobami i pacjentów może mieć wiele zaburzeń. Ponadto człowiek robi swoje spostrzeżenia z holistycznego sposobu i dlatego zawsze patrzy na spójność tego, co jest obserwowane. Dla prawidłowej klasyfikacji i diagnozy hiperkinetycznych zaburzeń ruchowych niezbędna jest obiektywna obserwacja (części) ciała. Dotyczy to częstotliwości ruchów, na przykład ramienia górnego, kątów, pod którymi to występuje i (w)losowych. Wynikiem tego wszystkiego jest to, że prawidłowa klasyfikacja i diagnoza zaburzeń ruchowych ma obecnie wartość Kappa, miarą stosowaną do odzwierciedlenia porozumienia między specjalistami, średnio od 0,5 do 0,6. Oznacza to, że istnieje stosunkowo duże prawdopodobieństwo dokonania błędnej diagnozy, rozpoczęcia niewłaściwego leczenia, a zatem skuteczność opieki holenderskiej nie jest optymalna. ZiuZ i UMCG chcą zbadać w tym projekcie, w jaki sposób sztuczna inteligencja może przyczynić się do poprawy klasyfikacji i diagnozy w celu zwiększenia jej do co najmniej 0,8, a tym samym zmniejszenia liczby „niewłaściwych” leczenia. Celem tego projektu jest zatem opracowanie pierwszego dowodu zasady narzędzia diagnostycznego wspomaganego komputerowo (CAD), którego celem jest poprawa diagnozowania, leczenia i oceny naturalnego przebiegu zaburzeń ruchu hiperkinetycznego oraz wykorzystanie wielu źródeł danych (wideo/czujniki/informacje medyczne). Wyniki projektu można by następnie zastosować np. do badań Parkinsona, które łączą się z drżeniem.