@phdthesis{01K1D311WG9FHJTK5437G8N74Q,
  abstract     = {{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.}},
  author       = {{Verhaeghe, Jarne}},
  isbn         = {{9789493464193}},
  language     = {{eng}},
  pages        = {{XXVIII, 234}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{The design of predictive and uncertainty-calibrated treatment models for the intensive care unit}},
  year         = {{2025}},
}