FWO-SB-Beurs: Automatisch leren van optimale preventiestrategieën voor latente infectieziekten

Projectdetails

!!Description

Latente infectieziekten (zoals HIV, HCV, HPV, ...) zijn een belangrijke bedreiging voor de volksgezondheid. De meest efficiënte manier om zulke pathogenen in te dijken is door middel van preventie. Om preventie-strategieën voor te stellen en zo efficiënt mogelijk te implementeren is een goed begrip nodig van de complexe dynamiek waarmee dergelijke pathogenen zich door een populatie verspreiden. Epidemiologische studies laten ons toe om inzichten te verwerven in de geschiedenis van zulke processen. Het is echter ook nodig om deze processen te modelleren, deze modellen kunnen dan gebruikt worden om voorspellingen te doen omtrent de toekomst van de epidemie. Zulke modellen kunnen ook gebruikt worden om bepaalde preventie-strategieën te simuleren. Het modelleren van epidemiologische processen kan analytisch of door middel van agent-gebaseerde simulaties benaderd worden. Analytische methodes bieden een krachtig framework om processen formeel voor te stellen. Simulaties aan de hand van een agent-gebaseerde voorstelling, waar elk individu expliciet wordt voorgesteld, bieden een handelbare methode om gedetailleerde modellen te construeren.

We zullen een framework ontwerpen dat toelaat grootschalige simulaties uit te voeren in het kader van het transmissie-verloop van latente infectieziekten. Deze software zal zo worden ontworpen dat het tegemoetkomt aan de computationele uitdagingen van deze grootschalige simulaties en dat het makkelijk kan worden uitgebreid naar andere pathogenen. We zullen het ook mogelijk maken om meerdere pathogenen tegelijkertijd te simuleren om zo de mogelijke wisselwerking tussen deze pathogen te bestuderen. De bron-code van de software zal vrij beschikbaar gemaakt worden, zodat andere onderzoeksinstellingen op onze oplossingen kunnen voortbouwen.

We zullen bestaande analytische methodes beschouwen en onderzoek verrichten om deze uit te breiden naar realistisch verdeelde populaties.
Het is erg belangrijk dat de ontwikkelde methodes gevalideerd worden met realistische data. We zullen hiervoor een klinische dataset gebruiken die de HIV epidemie beschrijft in de metropool-regio Lissabon, deze zal worden aangeleverd door het ziekenhuis 'Hospital Egas Moniz' (Lissabon, Portugal). Deze dataset biedt een dichte bemonstering van de virussen die deel uitmaken van de epidemie en bevat gedetailleerde geasocieerde epidemiologische data. Daarenboven kent de Portugese epidemie een grote genetische diversiteit wat betreft de virus-verdeling, hetgeen ons zal toelaten ook dit aspect te bestuderen in onze simulaties.

Het onderzoek zal worden uitgevoerd door het Computational Modeling Lab van de Vrije Universiteit Brussel; deze onderzoekseenheid heeft reeds ruime ervaring met het ontwerpen en implementeren van agent-gebaseerde systemen, machine learning en het parallelliseren van algoritmes en software. Er zal worden samengewerkt met prof. dr. Ann Nowé (promotor), prof. dr. Bernard Manderick (co-promotor) en prof. dr. Tom Lenaerts. Voor de validatie van de methodes zal er nauw worden samengewerkt met het Rega Instituut, Katholieke Universiteit Leuven; dit instituut is gekend voor zijn expertise in het bestuderen van epidemiologische data door middel van fylogenetische analyses en de klinische en virologische aspecten van verschillende latente infectieziekten. Er zal worden samengewerkt met prof. dr. Philippe Lemey (co-promotor) en prof. dr. Annemie V andamme.

De dataset die gebruikt zal worden ter validatie zal worden aangeleverd door het ziekenhuis 'Hospital de Egas Moniz', we zullen ook nauw samenwerken met onderzoekers van het Portugese ‘Instituto de Higiene e Medicina Tropical’ met een grote kennis over de Portugese epidemie en databank: Ricardo Camacho, MD en dr. Ana Abecasis, MD.
AcroniemFWOSB9
StatusGeëindigd
Effectieve start/einddatum1/01/1631/12/19

Flemish discipline codes

  • Numerical analysis
  • Deep Reinforcement Learning for Large-Scale Epidemic Control

    Libin, P., Moonens, A., Verstraeten, T., Perez Sanjines, F. R., Hens, N., Lemey, P. & Nowe, A., 1 jan 2021, Machine Learning and Knowledge Discovery in Databases. Applied Data Science and Demo Track: European Conference, ECML PKDD 2020, Ghent, Belgium, September 14–18, 2020, Proceedings, Part V. Dong, Y., Ifrim, G., Mladenić, D., Saunders, C. & Van Hoecke, S. (redactie). Ghent, Belgium: Springer, Vol. 5. blz. 155-170 16 blz. (Lecture Notes in Computer Science; vol. 12461).

    Onderzoeksoutput: Conference paper

    Open Access
    1 Citaat (Scopus)