Augmenting Bayesian Networks with Textual Evidence for Expert-Based, Uncertainty-Aware Clinical Decision Support
- Promovendus/a
- Rabaey, Paloma
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Informatietechnologie
- Curriculum
- Master of Computer Science Engineering, Universiteit Gent, 2021
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Aanpassing van bayesiaanse netwerken met tekstueel bewijs voor op expertise gebaseerde, onzekerheidsbewuste klinische beslissingsondersteuning
- Promotor(en)
- prof. Thomas Demeester, vakgroep Informatietechnologie - prof. Stefan Heytens, vakgroep Volksgezondheid en Eerstelijnszorg
- Examencommissie
- voorzitter prof. Hennie De Schepper (onderwijsdirecteur) - prof. Antoon Bronselaer, vakgroep Telecommunicatie en Informatieverwerking - prof. Edward Choi, Korea Advanced Institute of Science and Technology (Zuid-Korea) - prof. Johan Kwisthout, Radboud Universiteit (Nederland) - dr. ir. Lucas Sterckx, LynxCare - prof. Wim Van Biesen, Vakgroep Inwendige ziekten en Pediatrie - promotor prof. Thomas Demeester, vakgroep Informatietechnologie - promotor prof. Stefan Heytens, vakgroep Volksgezondheid en Eerstelijnszorg
Korte beschrijving
Artificiële intelligentie (AI) doet meer en meer zijn opmars in het dagelijkse leven. Ook in de gezondheidszorg heeft AI het potentieel om artsen te ondersteunen bij het nemen van complexe beslissingen. Denk maar aan een chatbot die mogelijke diagnoses voorstelt, of een systeem dat een waarschuwing geeft wanneer een patiënt op de intensieve zorg het risico loopt om sepsis te ontwikkelen. De invoering van AI in de gezondheidszorg verloopt echter een stuk trager dan in veel andere domeinen, wat niet verwonderlijk is gegeven de grote impact van zulke beslissingen op de gezondheid van patiënten. In dit onderzoek stellen we vast dat de ontwikkeling van betrouwbare AI-systemen voor de gezondheidszorg steunt op drie peilers: interpreteerbaarheid, de integratie van onzekerheid, en het omgaan met diverse types patiëntengegevens in het medische dossier. Bayesiaanse netwerken (BNs) zijn probabilistische modellen die expliciet weergeven hoe variabelen elkaar beïnvloeden. We stellen vast dat BNs veel potentieel hebben om de eerste twee uitdagingen aan te gaan, maar dat ze niet opgewassen zijn tegen de derde uitdaging, aangezien ze geen ongestructureerde tekst kunnen verwerken. Daarom breiden we in dit onderzoek BNs uit met tekstuele gegevens, en bouwen we zo interpreteerbare, door experten geïnformeerde en onzekerheidsbewuste AI-systemen voor de gezondheidszorg.
Praktisch
- Datum
- Dinsdag 24 februari 2026, 17:00
- Locatie
- Auditorium P Jozef Plateau, Plateaustraat 22, 9000 Gent
- Livestream
- Volg online
Meer info
- Contact
- doctoraat.ea@ugent.be