De snelle groei van machine learning (ML) in de gezondheidszorg belooft veel goeds op het gebied van diagnostiek, prognose en behandelbeslissingen. Het vertalen van deze modellen naar de klinische praktijk stuit echter op grote obstakels. Dit onderzoek focust op de nood aan betrouwbare onzekerheid kwantificering (OK) in ML, en benadrukt het belang van het communiceren van onzekerheid naar clinici. Huidige benaderingen bieden vaak alleen de "meest waarschijnlijke" aanbeveling en geven prioriteit aan precisie op populatieniveau, waarbij de unieke aard van elke patiënt wordt genegeerd en de onzekerheid met betrekking tot modelvoorspellingen over het hoofd wordt gezien. Dit onderzoek richt zich op het verwezenlijken van drie doelen. Doel 1 richt zich op het ontwerpen van conditionele valide en efficiënte OK methodes, en het aanpakken van uitdagingen gerelateerd aan het integreren van OK in klinische ML modellen. Doel 2 onderzoekt de fusie van OK's binnen hybride ML modellen, met als doel meer adaptieve en efficiënte OK's in lage dataregimes. Doel 3 richt zich op het uiteenhalen van onzekerheden, waarbij hun verschillende bronnen en kenmerken worden erkend. Door dit aan te pakken wil het onderzoek bijdragen aan de ontwikkeling van betrouwbare ML-systemen voor gepersonaliseerde diagnose, prognose en behandeling in de gezondheidszorg. Uiteindelijk wil dit werk de veiligheid en betrouwbaarheid verbeteren en de integratie van ML-onderzoek in de klinische praktijk versnellen.