Achter de PhD: Israel Campero

Het promotieonderzoek van Israel Campero richt zich op hoe we AutoML echt inzetbaar kunnen maken in de gezondheidszorg. AutoML belooft machine learning eenvoudiger en toegankelijker te maken, maar ziekenhuizen worden geconfronteerd met praktische uitdagingen: beperkte rekenkracht, rommelige praktijkgegevens en de behoefte aan transparante, klinisch relevante resultaten. Dit proefschrift bevat methoden die AutoML efficiënter en beter afgestemd op klinische behoeften maken, waarbij beter rekening wordt gehouden met de beschikbare middelen. Het werk omvat nieuwe optimalisatiestrategieën, een slimmere manier om AutoML-zoekopdrachten te starten met behulp van voorkennis, en grondige tests in end-to-end ECG-analysepijplijnen. Het einddoel: AutoML dichter bij het echte, dagelijkse gebruik in de gezondheidszorg brengen.

Waarom heb je voor dit onderzoeksonderwerp gekozen en wat maakt het zo fascinerend?

Ik heb voor dit onderwerp gekozen vanwege de belofte dat AutoML machine learning toegankelijk maakt voor mensen die geen experts zijn. Maar in de gezondheidszorg is die belofte nog steeds moeilijk waar te maken. Ziekenhuizen hebben vaak beperkte rekenkracht, rommelige gegevens en strenge verwachtingen op het gebied van transparantie. Je kunt clinici niet zomaar een black box-model geven.

Wat mij fascineert, is dat deze beperkingen veel meer zijn dan technische details; ze veranderen volledig welke methoden in de praktijk bruikbaar zijn. Mijn werk richt zich op het ontwerpen van AutoML-strategieën die efficiënt en betrouwbaar zijn onder deze praktijkomstandigheden, en deze vervolgens te testen in volledige klinische workflows.

Welke uitdagingen kwam je onderweg tegen en hoe heb je die overwonnen?

Een grote uitdaging was zorgen dat mijn onderzoeksresultaten ook stand hielden onder realistische tijd- en middelenbeperkingen. Veel AutoML-methoden zien er geweldig uit als je onbeperkte rekenkracht hebt, maar hun gedrag verandert drastisch als je beperkingen oplegt qua tijd. Ik heb dit aangepakt door experimenten te ontwerpen die korte, herhaalbare tijdsbudgetten gebruiken en door multi-fidelity-technieken toe te passen om slechte opties snel te elimineren.

Een andere uitdaging was het koppelen van algoritmische ideeën aan klinische behoeften. Voor ECG-analyse is een goede nauwkeurigheid niet voldoende; cardiologen hebben behoefte aan output die ze kunnen interpreteren, zoals bevindingen die specifiek zijn voor bepaalde afleidingen of tijdsperioden. Dit betekende dat ik nauw moest samenwerken met klinische beperkingen en evaluatiemethoden moest selecteren die zich vertalen in resultaten die clinici daadwerkelijk kunnen gebruiken.

Wat is de impact van je werk in de praktijk?

Mijn werk biedt praktische manieren om AutoML-systemen te bouwen die beter bruikbaar zijn in omgevingen waar veel op het spel staat, zoals de gezondheidszorg. Op algoritmisch vlak gebruik ik GEISHA, een asynchroon eilandmodel dat het zoeken naar goede ML-pijplijnen versnelt en tegelijkertijd binnen strikte tijds- en rekenbudgetten blijft. Ik ontwikkel ook een manier om kennis uit eerdere datasets te gebruiken, via grote taalmodellen, om AutoML sneller te laten starten en koude starts te vermijden.

Wat de evaluatie betreft, laat ik zien dat het gebruik van benchmarks met een kort budget nog steeds betrouwbare ranglijsten kan opleveren en tegelijkertijd de rekenkosten kan verlagen, wat experimenten duurzamer maakt.

Op klinisch gebied lever en valideer ik verschillende ECG-beslissingsondersteunende componenten, zoals analyse van de signaalkwaliteit op lange termijn en een interpreteerbare detector voor ST-segmentafwijkingen. Deze tools, ontwikkeld binnen het INNO4HEALTH-project, zijn bedoeld om langdurige ECG-monitoring robuuster en beter bruikbaar te maken in echte zorgomgevingen.

Wat zijn je plannen na je doctoraat?

Na het afronden van mijn doctoraat ben ik van plan om te blijven werken op het snijvlak van optimalisatie, machine learning en gezondheidszorg. Ik vind het leuk om methodeontwikkeling te combineren met echte implementatie-uitdagingen. Daarom ben ik begonnen als postdoctoraal onderzoeker, waarbij ik me richt op geïndividualiseerde slaapapneu-diagnose met behulp van AI.