In onze huidige gezondheidszorg heeft vroege detectie (en idealiter zelfs voorspelling van tijd tot aanvang) van ziekten een belangrijke diagnostische waarde; het maakt een geschikte behandeling mogelijk voordat de ziekte escaleert. AI staat voor uitdagingen bij het omgaan met onzekerheden die inherent zijn aan medische gegevens en besluitvorming. Daarom is dit onderzoek erop gericht nieuwe verklaarbare AI/ML-modellen te ontwerpen die medische domeinexpertise en klinische gegevens integreren met onzekerheidskwantificering in hybride AI, wat zorgt voor een betrouwbare en interpreteerbare vroege detectie van events. De hybride AI-modellen zullen resulteren in betrouwbare oplossingen om clinici te versterken en over te schakelen op gepersonaliseerde therapie. Voorbeelden van use cases zijn ICU-infectiebeheer, vroege detectie van heupdysplasie bij hulphonden, vroege detectie van chronische nierziekte bij katten en gepersonaliseerde therapie voor psoriasis.