In de hedendaagse gezondheidszorg heeft de voorspelling van de tijd tot het begin van de ziekte voor een bepaalde patiënt een belangrijke diagnostische waarde; het maakt een preventieve en passende behandeling mogelijk voordat symptomen van de ziekte optreden. AI wordt geconfronteerd met uitdagingen bij het omgaan met onzekerheden die inherent zijn aan medische data en besluitvorming, vooral bij voorspellingen van tijd-tot-gebeurtenis doordat bv. de tijd tot gebeurtenis ontbreekt en er is enkel geweten dat de patient gezond is tot de laatste waarneming. Daarom wil dit project deze onderzoeksuitdaging aanpakken door overlevingsanalysegegevens te integreren met onzekerheidskwantificering in hybride AI, waardoor betrouwbare en interpreteerbare tijd-tot-gebeurtenisvoorspellingen worden gegarandeerd. Door deze te combineren met klinische gegevens en expertkennis in de hybride AI zullen betrouwbare oplossingen ontstaan op basis waarvan de artsen een betere diagnose kunnen stellen. Twee use cases zullen dit onderzoek illustreren. Als eerste zullen we betrouwbare voorspellingen doen voor infecties van multiresistente organismen en veel voorkomende ziekenhuisinfecties. De tweede use case zal het optreden van vroege chronische nierziekte bij katten voorspellen. De methodologische vooruitgang van dit onderzoeksproject heeft het potentieel om baanbrekend te worden, voor een breder spectrum van gezondheidsproblemen en zelfs buiten het gezondheidszorgdomein.