Trefwoorden: Machine learning; Healthcare; Ductus arteriosus; Traumatic brain injury; Pulse transit time; Central blood volume

"Machine learning in medicine - Big picture require small, but crucial strokes"

Machine learning modellen worden steeds accurater en sneller en hebben geen last van bijvoorbeeld emoties of moeheid. Desondanks worden deze modellen niet vaak daadwerkelijk geïmplementeerd in de kliniek, waaronder door het vertrouwen dat de arts in het model moet hebben. Deze thesis beschrijft drie cruciale stappen voor de creatie van een goed en implementeerbaar model in de geneeskunde: 1). Validatie van de ruwe data, 2). Extractie van de juiste parameters en 3). De keuze van het juiste soort model. Het belang van punt 1 wordt getoond aan de hand van de pulse transit time parameter, die klinisch waarde heeft maar waar deze thesis aantoont dat in praktijk significante en voorheen onbekende artifacten bestaan. Het belang van punt 2 wordt aangetoond door de creatie van een nieuwe parameter voor de indicatie of de ductus arteriosus open of dicht is in pasgeborenen. Punt 3 wordt onderstreept door drie gepubliceerde artikelen waarin modellen zijn getraind die een klinisch probleem proberen op te lossen met zowel inzichtelijke als complexe modellen.

Klik hier voor het volledige proefschrift.