Το EMERALD υιοθετεί μια ολιστική προσέγγιση στα ασθενο-κεντρικά μοντέλα πρόβλεψης και στην ανάπτυξη Συστημάτων Υποστήριξης Ιατρικών Αποφάσεων (ΣΥΙΑ) με βάση Ερμηνευτική Τεχνητή Νοημοσύνη (ΕΤΝ), ενσωματώνοντας γνώσεις από νέες έρευνες, κλινικές δοκιμές και ηλεκτρονικά αρχεία ασθενών. Για να το επιτύχει αυτό, το EMERALD χρησιμοποιεί προηγμένες αναλυτικές τεχνικές (Εξόρυξη Γνώσης, Βαθιά Μάθηση και προηγμένα Ασαφή Μοντέλα), επιτρέποντας την απλοποίηση ογκωδών δεδομένων ασθενών και αναπτύσσοντας εξατομικευμένες προβλέψεις βασισμένες στα ΕΤΝ-ΣΥΙΑ.
Τα μοντελοκεντρικά ΣΥΙΑ με έμφαση στην ερμηνευτική ανάλυση και στους δυναμικούς Ασαφείς Γνωστικούς Χάρτες (ΑΓΧ) θα διαδραματίσουν σημαντικό ρόλο στο ΕMERALD. Περαιτέρω, το έργο θα εισαγάγει τη νέα έννοια των Βαθέων-ΑΓΧ που βασίζονται στην ΕΤΝ ως ένα καινοτόμο εργαλείο ενός ΕΤΝ-ΣΥΙΑ. Οι Βαθείς-ΑΓΧ:
(i) θα συντήξουν μία πληθώρα ιατρικών ετερογενών δεδομένων,
(ii) θα εκτελεστούν ως τυπικά βαθιά νευρωνικά δίκτυα και
(iii) θα παρασταθούν οπτικά ως ΑΓΧ που παρέχουν οπτικές εξηγήσεις και συμπερασμούς.
Τελικά το EMERALD προσβλέπει στη δημιουργία ενός ιατρικού οικοσυστήματος που θα παρέχει στους υγειονομικούς αποτελεσματικές εξηγήσεις, εστιάζοντας στην ερμηνεία και την ακρίβεια των δεδομένων. Ως περιπτώσεις χρήσης έχουν επιλεγεί δύο πολύπλοκες ασθένειες στην πυρηνική ιατρική, η στεφανιαία νόσος (ΣΝ) και ο μεγαλοκυτταρικός καρκίνος του πνεύμονα (ΜΚΚΠ) για να δείξουν τις δυνατότητες του νέου ΕΤΝ-ΣΥΙΑ. Το EMERALD αναμένεται να προσφέρει στον τομέα της ιατρικής περίθαλψης μια εξατομικευμένη λύση ικανή να:
(α) εντοπίσει τους δείκτες πρόβλεψης πιθανότητας μελλοντικών συμβάντων (π.χ. ισχαιμικά επεισόδια, καρδιακές προσβολές, θνησιμότητα),
(β) κάνει πρόγνωση και ταξινόμηση διαφόρων περιστατικών ΣΝ και ΜΚΚΠ, και
(γ) να υιοθετήσει μια νέα ολιστική ασθενο-κεντρική προσέγγιση μοντέλων πρόβλεψης με πολυδιάστατες επιπτώσεις στην ελληνική και ευρωπαϊκή οικονομία, κοινωνία και την ιατρική κοινότητα.
Η διεθνής ομάδα του EMERALD αποτελείται από έναν έμπειρο επιστημονικό υπεύθυνο που συνοδεύεται από ερευνητές και ακαδημαϊκούς συνεργάτες, που εκπροσωπούν την ιατρική κοινότητα και την επιστήμη και έχουν εκτεταμένη εμπειρία σε τεχνολογίες αιχμής (ιατρική πληροφορική, εξόρυξη δεδομένων, μηχανική , βαθιά μάθηση, ΑΓΔ).