< Terug naar vorige pagina

Project

Een datagedreven benadering om stress response phenotypen te identificeren op basis van affectieve en fysiologische merktekens van kwetsbaarheid en hun toegevoegde waarde voor stressvoorspelling in het dagelijks leven

Vooruitgang in draagbare technologie maakt continue beoordeling van fysiologische gegevens mogelijk om zo een gedetailleerd beeld te krijgen van de dagelijkse dynamiek die samenhangt met de ontwikkeling van psychische stoornissen. Specifieke fysiologische toestandsveranderingen kunnen prognostische waarde hebben in het verloop van ontwikkeling, behandeling en terugval van psychische stoornissen. Computationele modelering van de fysiologische gegevens is een veelbelovende benadering voor het voorspellen van dit verloop. Fysiologische toestandsveranderingen kunnen in verschillende tijdvensters worden waargenomen. Op moment-niveau kunnen minuut-tot-minuut veranderingen in de fysiologie, zoals in het geval van acute stress en herstel van acute stress, specifiek ziekte-gerelateerd gedrag en symptomen voorspellen. Op de langere termijn kunnen meer structurele veranderingen in de fysiologie, zoals chronische stress of patronen in het dagelijkse ritme, belangrijke fasen in ziekteprogressie, behandelingseffecten of terugval signaleren. Tijdens dit doctoraat zullen nieuwe computationele modellen worden toegepast om dagelijkse tekenen van toestandsveranderingen gerelateerd aan geestelijke gezondheid te detecteren. Er wordt onder meer gebruik gemaakt van bestaande datasets die binnen IMEC en de Onderzoeksgroep Psychiatrie van de KU Leuven verzameld werden bij gezonde vrijwilligers en individuen met psychiatrische klachten.

Datum:1 okt 2022 →  Heden
Trefwoorden:ESM, Wearables, Models of mental health, Computational modelling, Machine learning
Disciplines:Menselijke gezondheidsengineering, Kennisrepresentatie en machine learning, Mathematische psychologie, Computationele biomodellering en machine learning, Psychopathologie, Biologische psychologie
Project type:PhD project