Gepersonaliseerde aanbevelingen voor medische behandelingen moeten gericht zijn op het optimaliseren van hun verwachte resultaat op basis van betrouwbaar bewijs. Het beschikbare bewijs is vaak schaars omdat (1) medische behandelingen vaak worden geïmplementeerd voordat rigoureuze studies zijn voltooid, en (2) gerandomiseerde studies vaak alleen bewijs leveren voor een selectieve subgroep. Deze problemen tonen de behoefte aan een adviessysteem dat gebaseerd is op wetenschappelijk bewijs over het behandelvoordeel voor de beschouwde patiënt, maar dat ook kan leren bij schaarse informatie. We zullen een data-geïnformeerd systeem ontwikkelen om gepersonaliseerde aanbevelingen te ondersteunen op basis van predicties voor de uitkomst van een patiënt als één van de meerdere behandelingsopties zou worden overwogen. Deze zullen gebaseerd zijn op beschikbare elektronische patiënten dossiers (EPD's), maar zullen, in tegenstelling tot standaard predicties, rekening houden met de causale structuur van het probleem en verstorende factoren. Verder zullen we een nieuw studiedesign ontwikkelen om deze predicties te optimaliseren, door de EPD’s aan te vullen met data van gerandomiseerde studies die zijn geïntegreerd in de dagelijkse praktijk. Hierdoor kan het systeem continu leren en vertekening door storende factoren die aanwezig zijn in routine EPD's wegspoelen. We passen (een deel van) de methode toe om een expertsysteem voor psoriasis te ontwikkelen op basis van het PsoPlus-register.