Projektet udvikler en strækbar OLED-fladskærm til demonstration hos potentielle samarbejdspartnere. Teknologien bygger på en 3D-struktureret overflade, der udglatter mikrostrukturer ved stræk, hvilket beskytter OLED-lagene, der tåler bøjning bedre end direkte stræk. Tidligere forskning har resulteret i publikationer og patenter, og nu optimeres overflade, strækbarhed og levetid gennem computersimulering, materialeforskning og indkapslingsmetoder for at modne teknologien til praktisk anvendelse.

Vores digitale platform kan revolutionere den måde, hvorpå afdelinger planlægger og sikrer patienters sikkerhed under kirurgiske procedurer. Systemet indsamler og analyserer data om kirurgers individuelle kompetencer i realtid, hvilket giver afdelingsledelsen et unikt overblik, så de altid kan matche den rette kirurg til hver procedure. Vi adresserer et kritisk problem i sundhedsvæsenet, hvor manglende indsigt i kirurgers faktiske færdigheder kan føre til komplikationer og genoperationer. Ved at sikre, at kun kvalificerede kirurger selvstændigt udfører procedurer, kan komplikationsrater væsentligt reduceres, hvilket markant vil forbedre patientbehandlingen og spare sundhedsvæsenet for betydelige udgifter. Innovationsfondens støtte er afgørende for at færdigudvikle vores prototype samt implementere og teste systemet på tre kirurgiske afdelinger. Dette giver os mulighed for at dokumentere effekten og finjustere platformen på baggrund af brugerfeedback. Støtten baner således vejen for en senere national udrulning, der kan transformere kirurgisk praksis i hele Danmark. På længere sigt ser vi et stort potentiale for at ekspandere internationalt. Løsningen adresserer et universelt behov i sundhedssektoren, og vi har allerede modtaget interesse fra førende hospitaler i USA. Ved at optimere ressourceudnyttelsen og højne kvaliteten i kirurgisk uddannelse, kan vores løsning bidrage til at løse nogle af de største udfordringer, som sundhedsvæsener globalt står overfor i dag.

Dette projekt har til formål at integrere domænespecifik viden om centrifugalpumper med maskinlæringsmodeller. Med denne integration udnytter vi afgrænsningerne og indsigten fra fysiske modeller med maskinlæringsmodellernes mønstergenkendende egenskaber. Disse fysik-informerede maskinlæringsmodeller, kombineret med optimeringsalgoritmer, muliggør omfattende udforskninger af designrummet og giver os mulighed for at udvikle mere effektive og modulære pumpedesigns.