< Terug naar vorige pagina
Project
Ondersteuning bij de controle van opkomende infectieziekten door middel van artificiële intelligentie. (OZR3863)
Opkomende infectieziekten hebben een belangrijke impact op de
volksgezondheid en de globale economie. Het beheersen van zulke epidemieën
is complex, en daarom is het nodig om beheersingsstrategieën (BS) te
evalueren aan de hand van epidemiologische modellen. De beperkte
beschikbaarheid van infectiegevallen tijdens opkomende epidemieën maakt
het zeer moeilijk om de parameters van zulke modellen te schatten. Verder
maakt de onzekerheid over de vooruitgang van opkomende infectieziekten het
beslissingsproces van beleidsbepalers zeer uitdagend.
Ons doel is om een methode te ontwikkelen die in reële tijd gebruikt kan
worden om de beheersing van opkomende infectieziekten te optimaliseren.
Hiertoe identificeren we vier objectieven. (1) Het ontwikkelen van een
methodologie om virus genomen te gebruiken bij het schatten van parameters
in een geospatiaal epidemiologisch model. (2) Een methode opzetten om
automatisch optimale geospatiale BS te leren, aan de hand van de modellen die
werden verkregen in (1). (3) Een procedure ontwikkelen dewelke continue het
epidemiologisch model bijwerkt terwijl er nieuwe gegevens binnenkomen.
Binnen dit model zullen we dan BS leren aan de hand van model-gebaseerd
bekrachtigingsleren, om zo beleidsbepalers te adviseren. (4) We zullen onze
methode evalueren op enkele recente epidemieën (i.e., ebola, gele koorts en
SARS-CoV-2), hetgeen tot belangrijke inzichten zal leiden hoe er best tegen
deze pathogenen wordt opgetreden en tegen toekomstige pandemieën.
We richten ons binnen dit project op epidemiologische uitbraken, echter, het
uitgevoerde onderzoek zal leiden naar nieuwe reinforcement learning
algoritmes die breed inzetbaar zijn, om beslissingsmakers binnen andere
domeinen te ondersteunen
volksgezondheid en de globale economie. Het beheersen van zulke epidemieën
is complex, en daarom is het nodig om beheersingsstrategieën (BS) te
evalueren aan de hand van epidemiologische modellen. De beperkte
beschikbaarheid van infectiegevallen tijdens opkomende epidemieën maakt
het zeer moeilijk om de parameters van zulke modellen te schatten. Verder
maakt de onzekerheid over de vooruitgang van opkomende infectieziekten het
beslissingsproces van beleidsbepalers zeer uitdagend.
Ons doel is om een methode te ontwikkelen die in reële tijd gebruikt kan
worden om de beheersing van opkomende infectieziekten te optimaliseren.
Hiertoe identificeren we vier objectieven. (1) Het ontwikkelen van een
methodologie om virus genomen te gebruiken bij het schatten van parameters
in een geospatiaal epidemiologisch model. (2) Een methode opzetten om
automatisch optimale geospatiale BS te leren, aan de hand van de modellen die
werden verkregen in (1). (3) Een procedure ontwikkelen dewelke continue het
epidemiologisch model bijwerkt terwijl er nieuwe gegevens binnenkomen.
Binnen dit model zullen we dan BS leren aan de hand van model-gebaseerd
bekrachtigingsleren, om zo beleidsbepalers te adviseren. (4) We zullen onze
methode evalueren op enkele recente epidemieën (i.e., ebola, gele koorts en
SARS-CoV-2), hetgeen tot belangrijke inzichten zal leiden hoe er best tegen
deze pathogenen wordt opgetreden en tegen toekomstige pandemieën.
We richten ons binnen dit project op epidemiologische uitbraken, echter, het
uitgevoerde onderzoek zal leiden naar nieuwe reinforcement learning
algoritmes die breed inzetbaar zijn, om beslissingsmakers binnen andere
domeinen te ondersteunen
Datum:1 jan 2022 → Heden
Trefwoorden:Versterkend leren in complexe modellen, Versterkend leren onder onzekerheid, Realtime beslissingsondersteuning met versterkend leren, Epidemiologische modellen, Bayesiaanse fylodynamica
Disciplines:Machine learning en besluitvorming, Adaptive agents en intelligente robotica, Epidemiologie, Computationele biomodellering en machine learning