@phdthesis{01KN6P0RG732CDR43ZBNN1NS7H,
  abstract     = {{Kunstmatige intelligentie biedt veel mogelijkheden voor de gezondheidszorg, maar het is ook belangrijk dat dit goed vertrouwd kan worden, en dat de redenatie van zogenaamde “black box”-modellen ingezien kan worden. Dit is extra ingewikkeld voor medische signalen zoals ademhaling en hartslag, vanwege het complexe tijdsgebaseerde karakter ervan.

In dit proefschrift wordt onderzocht hoe betrouwbare, interpreteerbare machine learning methodes gebruikt kunnen worden voor ademhalingssignalen en motorisch opgewekte potentialen. Deze signalen kunnen gebruikt worden met machine learning modellen voor het inschatten van de moeite met ademhaling bij patiënten met COPD, en het voorspellen van het ziekteverloop bij patiënten met MS. Door hierbij ook de “black box” van deze modellen weg te halen en meer transparantie toe te voegen, kunnen deze met meer vertrouwen worden gebruikt en wordt het combineren van medische expertise met data-gedreven kennis beter ondersteund.

Hiervoor zijn zowel machine learning modellen ontwikkeld voor deze twee medische problemen, als twee nieuwe methodes ontworpen specifiek voor het verbeteren van de verklaarbaarheid van modellen voor medische signalen. Het werkelijke nut van verklaringen van deze modellen wordt ook gevalideerd met behulp van twee verschillende surveys onder zowel artsen als niet-professionals.}},
  author       = {{Kok, Thomas}},
  isbn         = {{9789493513341}},
  language     = {{eng}},
  pages        = {{XIV, 204}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Interpretable machine learning for motor evoked potentials and respiratory time series data}},
  year         = {{2026}},
}