För närvarande klassificeras patienter med hyperkinetiska rörelsestörningar på grundval av expertutlåtanden. Elektromyografi (EMG) används i vissa fall. Klassificeringen baseras därför huvudsakligen på klinisk bedömning. Att bedöma vilken typ av hyperkinetisk rörelsestörning är komplex eftersom det finns små nyanser mellan sjukdomar och patienter kan ha flera sjukdomar. Dessutom gör människan sin observation från ett holit sätt och ser därför alltid på koherensen i det som observeras. För en korrekt klassificering och diagnos av hyperkinetiska rörelsestörningar är en objektiv observation av (delar av) kroppen nödvändig. Detta gäller frekvensen av rörelser av, till exempel, överarmen, de vinklar under vilka detta sker och (i)random. Resultatet av allt detta är att rätt klassificering och diagnos av rörelsestörningar för närvarande har ett Kappa-värde, ett mått som används för att återspegla överenskommelsen mellan specialisterna, från i genomsnitt 0,5 till 0,6. Detta innebär att chanserna är relativt höga att en felaktig diagnos görs, en felaktig behandling startas och därför är den nederländska vårdens effektivitet inte optimal. ZiuZ och UMCG vill i detta projekt forska om hur artificiell intelligens kan bidra till att förbättra klassificeringen och diagnosen i syfte att öka den till minst 0,8 och därmed minska antalet ”fel” behandling. Syftet med detta projekt är därför att utveckla ett första principtest av ett datorstödt diagnostikverktyg (CAD-verktyg) som syftar till att förbättra diagnosen, behandlingen och utvärderingen av naturliga förlopp av hyperkinetiska rörelsestörningar och använda flera datakällor (video/sensorer/medicinsk information). Projektresultaten skulle då också kunna tillämpas på t.ex. Parkinsons forskning, som har gränssnitt mot skakningar.