Dynamisch behandelingsregimes zijn adaptieve behandelingsstrategieën gebaseerd op sequenties van expert beslissingsregels die behandeling individualiseren voor patiënten met als doel gepersonaliseerde geneeskunde. Pogingen worden momenteel ondernomen om de individualisatie van de behandeling aan te pakken met machine learning die gebruik maakt van deep reinforcement learning voor verhoogde accuracy, maar deze oplossingen vereisen grote hoeveelheden data. In veel medische use cases heeft men niet altijd toegang tot grote hoeveelheden data omdat het verzamelen van data zeer kostelijk is of dat deze gewoonweg niet beschikbaar is. Om behandeling te individualiseren in deze situaties, wordt onderzocht om expert kennis te combineren met machine learning in een hybride dynamisch behandelingsregime systeem. Om dit systeem te realiseren zijn er 3 onderzoeksdoelstelling gedefinieerd: 1) Verbeter de predictie van de uitkomst van gepersonaliseerde behandeling met een op precisie geneeskunde gebaseerde hybride ML framework; 2) Ontwikkel methods om expert kennis te includeren in reinforcement learning om kleine hoeveelheid aan data te compenseren; 3) Ontwikkel het framework dusdanig dat het transfereerbaar is naar verschillende use cases zodat het de tijd and vereiste data om deze nieuwe use-cases te modelleren vermindert. Dit geheel zorgt voor een end-to-end systeem dat de uitkomst van behandelingen voorspelt en behandeling voorstelt met behulp van machine learning en expert kennis.