The Design of Predictive and Uncertainty-Calibrated Treatment Models for the Intensive Care Unit
- Promovendus/a
- Verhaeghe, Jarne
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Elektronica en Informatiesystemen
- Curriculum
- Master of Computer Science Engineering, Universiteit Gent, 2020
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Het ontwerpen van voorspellende en onzekerheidsgekwantificeerde behandelingsmodellen voor de intensievezorgafdeling
- Promotor(en)
- prof. Sofie Van Hoecke, vakgroep Elektronica en Informatiesystemen - prof. Jan De Waele, vakgroep Inwendige ziekten en Pediatrie - prof. Femke Ongenae, vakgroep Informatietechnologie
- Examencommissie
- voorzitter prof. Filip De Turck (academisch secretaris) - prof. Kirsten Colpaert, Vakgroep Inwendige ziekten en Pediatrie - prof. Thomas Demeester, vakgroep Elektronica en Informatiesystemen - prof. Dirk Deschrijver, vakgroep Elektronica en Informatiesystemen - prof. Celine Vens (KU Leuven) - prof. Sofie Van Hoecke, vakgroep Elektronica en Informatiesystemen - prof. Jan De Waele, vakgroep Inwendige ziekten en Pediatrie - prof. Femke Ongenae, vakgroep Informatietechnologie
Korte beschrijving
Stel je voor: je moet een belangrijke beslissing nemen, maar je weet niet precies wat de gevolgen zullen zijn. Op de intensive care (IC) is dit dagelijkse kost, vooral bij het bepalen van medicijndoseringen voor ernstig zieke patiënten. Het is een complexe puzzel waarbij de juiste beslissing levens kan redden. Gelukkig kan kunstmatige intelligentie (AI) hierbij helpen, bijvoorbeeld als doseerassistent. Dit proefschrift onderzoekt hoe we zo'n betrouwbare AI-assistent kunnen bouwen. Betrouwbaarheid is cruciaal, want artsen moeten de AI wel vertrouwen. Belangrijke aspecten zijn causaliteit (waarom werkt iets?), onzekerheid (hoe zeker is de voorspelling?) en robuustheid (werkt het in diverse situaties?). Het proefschrift start eerst met een methode, Powershap, voor het selecteren van de relevante variabelen voor het machinaal leren (ML) model. Daarnaast worden twee use-cases besproken waar robustheid en onzekerheidskwantificatie centraal staan en gekwantificeerd worden met voorgestelde metrieken; Antibiotica dosering en risico-inschatting van voorkamerfibrillatie. Eenmaal we de modellen hebben kunnen deze erna geanalyseerd worden met Causalteshap die op zoek gaat welke variabelen bijdragen tot een beter of slechter effect van een behandeling. Als laatste wordt een methode besproken die toelaat betrouwbare onzekerheidsinschattingen te verkrijgen voor alle mogelijke dosissen, geschikt en betrouwbaar voor een doseerassistent op IC voor een nieuwe patient.
Praktisch
- Datum
- Woensdag 3 september 2025, 17:00
- Locatie
- auditorium 1, iGent (eerste verdieping), Technologiepark 15, 9052 Zwijnaarde
- Livestream
- Volg online
Meer info
- Contact
- doctoraat.ea@ugent.be