Beleidsondersteuning voor het managen van COVID met behulp van Artificiële Intelligentie (R-11451)

Recent is er belangrijke vooruitgang geboekt betreffende epidemiologische modellen. We beschikken momenteel over een variteit aan modellen, gaande van hoog-niveau compartimentsmodellen, meta-populatie modelellen, netwerkmodellen, tot gedetailleerde individu-gebaseerde modellen. Deze modellen laten ons toe om epidemien te simuleren. Deze simulaties kunnen dan in combinatie met geavanceerde optimalisatie technieken die gebruikmakend van Artificile Intelligentie, ihb Reinforcement Leanrning (RL) ingezet worden om geschikte preventie en indammingsstrategien te identificeren. In eerder onderzoek hebben we aangetoond dat RL efficinter en flexibeler is in vergelijking tot de huidige technieken die worden aangewend door de epidemiologen. Onze benadering zal toelaten om te gaan met de onzekerheden van zowel de epidemiologische parameters als menselijke factoren. De aanpak laat ook toe om meerdere criteria in rekening te nemen, zoals gezondheid (bv. aantal ziekenhuisopnames en overlijdens), maar ook economische, psychologische en sociale factoren, en cognitieve aspecten die cruciaal zijn voor de effcientie en aanvaarding. Onze multicriteria aanpak zal ook toelaten om meerder opties aan te bieden aan de beleidsmakers. We schenken ook aandacht aan de interpreteerbaarheid van de oplossingen door verder te bouwen op ons onderzoek rond transparante Reinforcement Learning. Dit onderzoek zal de basis vormen voor een waardevolle tool als beleidsondersteuning bij de huidige COVID pandemie.

Trefwoorden:covid-19, gedragseconomie, sociale psychologie

Disciplines:Infectieziekten, Biostatistiek, Epidemiologie

Project type:Samenwerkingsproject