Besluitvorming voor volksgezondheid met stochastische individugebaseerde modellen: een translationeel kader gedreven door innovaties in gezondheidseconomie, model inferentie en bekrachtigingsleren

Dit project bouwt aan een methodologisch kader in de context van
respiratoire pathogenen met pandemisch potentieel naar analogie
met SARS-CoV-2. Clustering van sociale contacten is cruciaal
gebleken in combinatie met toevalligheden en verschillende attitudes
binnen de populatie. Daarom richten we ons hier op wiskundige
modellen die rekening houden met individuele heterogeniteit in
gedrag en transmissie. Het schatten van epidemiologische
parameters op basis van stochastische en tijdrovende individugebaseerde modellen is echter een uitdaging. Vervolgens is een
economische evaluatie van preventieve maatregelen mogelijk met
deze individu-gebaseerde modellen, maar dit wordt bemoeilijkt door
een samenspel van onzekerheid en stochastiek in het onderliggende
ziekteproces. Daarnaast vereist de zoektocht naar het meest
(kosten)effectieve scenario selectietechnieken op basis van
meerdere criteria. Methoden obv artificiële intelligentie, genaamd
bekrachtigingsleren, zijn hiervoor al nuttig gebleken, maar deze
model-context vereist aangepaste algoritmen. Vooral in een
epidemische setting met onverwachte gebeurtenissen zoals nieuwe
varianten is beleidsondersteunend onderzoek extra uitdagend. Als
zodanig beogen wij de besluitvorming inzake volksgezondheid in een
pandemische setting te kunnen versnellen op basis van
geavanceerde statistiek, gezondheidseconomie en
computerwetenschappen