Project R-16479

Optimalisatie van de preventie en bestrijding van arbovirussen in de Europese Unie: een datagedreven reinforcement learning aanpak (Onderzoek)

Muggenoverdraagbare arbovirussen vormen een aanzienlijke bedreiging voor de volksgezondheid, aangezien ze gepaard gaan morbiditeit en economische lasten. Door klimaatverandering wordt verwacht dat dergelijke virussen nieuwe uitbraken in de Europese Unie (EU) zullen veroorzaken. Om risico-inschatting en mitigatiemaatregelen te bestuderen voor arbovirussen met potentieel om de EU binnen te dringen, zoals Zika (ZIKV) en Oropouche (OROV), is een interdisciplinaire aanpak noodzakelijk. Ten eerste moet een nieuw model worden ontwikkeld dat de geospatiale aspecten en lokale dynamiek van virusverspreiding vastlegt. Ten tweede, omdat we de transmissiedynamiek van een pathogeen modelleren dat nog niet in de EU aanwezig is, kunnen we alleen gebruik maken van proxygegevens (d.w.z. gegevens die niet direct gerelateerd zijn aan de specifieke epidemiologische situatie) om het model te informeren, wat een nieuwe schattingsmethodologie vereist. Ten derde, omdat het nemen van beslissingen in zulke complexe situaties moeilijk is, biedt reinforcement learning (RL) veel potentieel ter ondersteuning van de beleidsmaker. Daarom moeten we nieuwe multi-criteria RL-algoritmen ontwikkelen, met een focus op uitlegbaarheid van de geleerde beleidsstrategieën. Met deze nieuwe methoden zullen we het invasierisico van het ZIKV en OROV in de EU bestuderen en mitigatie- en surveillancemaatregelen onderzoeken die rekening houden met verschillende criteria, i.a., morbiditeit, milieu en kosteneffectiviteit.

01 januari 2026 - 31 december 2029