Machine learning om de prognose van multiple sclerose patiënten te modelleren

Multiple sclerose is een complexe ziekte met een heel heterogeen ziekteverloop. In dit project zullen we machine learning methoden ontwikkelen om dit ziekteverloop te bestuderen aan de hand van een combinatie van demografische, klinische, genomische en radiomische data. Deze studie gebeurt op patientniveau (individuele prognosemodellen), op groepsniveau (patiëntstratificatiemodellen) en op populatieniveau (identificeren van prognostische biomarkers). Met deze studie pakken we dringende noden aan van zowel clinici, die zo snel mogelijk de juiste behandeling voor de juiste patiënt op het juiste moment willen opstarten, als van de farmacologische industrie, die zo kostenefficiënt mogelijk nieuwe behandelingen wil ontwikkelen. Ondertussen leveren we zo bijdragen aan de machine learning literatuur op vlak van genetische data analyse, multi-target leren (nl. verschillende datatypes combineren), overlevingsanalyse met herhalende gebeurtenissen en clusteralgoritmes (nl. dynamisch overheen de tijd). In het bijzonder zullen de modellen ontwikkeld in deze thesis moeten omgaan met sporadisch en onregelmatig bemonsterde tijdreeksen, ontbrekende waarden (zelfs in de outputruimte) en confounding factoren. Om de kans voor integratie in de klinische praktijk te maximaliseren, zorgen we er bovendien nog voor dat alle modellen verklaarbaar, robuust en betrouwbaar zijn.