Mado Ntekouli is opgeleid tot computeringenieur in haar thuisland Griekenland en kwam via een masteropleiding in Delft terecht in Maastricht voor een promotietraject binnen het New Science of Mental Disorders consortium. Waar staat ze anderhalf jaar na de start van haar traject?
Als biomedisch computeringenieur had je waarschijnlijk ook een baan met een flink salaris in het bedrijfsleven kunnen vinden. Waarom koos je voor wetenschappelijk onderzoek?
“Tijdens mijn bacheloropleiding in Griekenland, ‘Electrical and Computer Engineering’ maakte ik kennis met wetenschappelijk onderzoek doen. Ik hou van het hele proces, van het onderzoeken, resultaten genereren, worstelen met uitdagingen en dan de blijdschap als je iets vindt waarvan de experts zeggen: ‘Dat is een publiceerbare uitkomst’. Dat geeft me veel voldoening. Mijn bachelorscriptie was op het gebied van biomedische informatica. Hij werd op een conferentie gepubliceerd, wat mijn interesse in onderzoek ook stimuleerde. Sindsdien is mijn doel om medische problemen op te lossen met behulp van mijn ingenieursachtergrond.”
En waarom Nederland voor je masteropleiding en promotie-onderzoek?
“De masteropleiding die me het meeste aansprak, ‘Biomedical Engineering’, is nog niet zo populair in Griekenland, dus ik zocht een goede buitenlandse universiteit en kwam uit op Delft. Het eerste jaar was heel intensief, met lessen over anatomie en fysiologie, wat helemaal nieuw was voor mij, maar uiteindelijk was het een goede ervaring. Mijn masterscriptie ging over visualisatietechnieken voor hersenactiviteit. Ik zocht vervolgens een promotieplek in Nederland, of in deze omgeving, want ik hou van dit land. Ik weet niet precies waarom, maar het voelt bijna als thuis. In Delft was er een vrij grote Griekse studentengemeenschap en hier in Maastricht is mijn begeleider Jerry Spanakis ook Grieks. Ik hou ook van de ontspannen houding van Nederlanders.”
Kun je iets vertellen over waaraan je de afgelopen anderhalf jaar hebt gewerkt?
“Mijn onderzoek richt zich op de voorspellende netwerkanalyse van grootschalige, dynamische interactieve variabelen, zoals symptomen, die verzameld worden uit diverse databronnen. Ik zoek dus naar een computermodel dat in staat is om menselijk gedrag te vatten en te voorspellen. Een correct model is belangrijk om data te onderzoeken, zoals ons consortium zal doen. We gaan ervan uit dat de interactie tussen twee variabelen, zoals ‘ik voel me ongelukkig’ en ‘ik eet ongezond voedsel’ geen rechte lijn is. Deze meer ingewikkelde patronen kunnen gevat worden meer geavanceerde, non-lineaire modellen en we hebben geprobeerd een aantal bestaande modellen toe te passen op grote, complexe, datasets, op zowel echte als ‘synthetische’ data. We vonden met grote betrouwbaarheid dat de non-lineaire modellen het beter doen dan de lineaire. Terwijl dit ging over data van individuen, hebben we vervolgens gecheckt of verzamelde data van een groep dit non-lineaire model konden overtreffen in het voorspellen van de waarschijnlijkheid van menselijk gedrag. Bijvoorbeeld: kun je voorspellen of een individu ongezond gaat eten binnen twee uur, op basis van deze groepsdata? Mijn conclusie was dat het ‘Knowledge Distillation’-model veelbelovende resultaten geeft en in veel gevallen zelfs het non-lineaire model overtreft, maar de resultaten varieerden natuurlijk zeer tussen deelnemers. Alles hangt af van de data en het aantal tijdsmetingen dat we hebben per deelnemer, wat leidt tot verschillende resultaten, maar in het algemeen is het veelbelovend.”
De modellen waarmee je werkt, bestaan die al of heb je ze zelf ontwikkeld?
“Het Knowledge Distillation-model is welbekend voor neurale netwerken, maar ik heb geprobeerd het een beetje aan te passen aan mijn non-lineaire model en het grote aantal data waarmee wij willen werken. Aan het einde van onze NSMD-studies hebben we honderden deelnemers. Iedere deelnemer is natuurlijk uniek, maar een groep kan nieuwe inzichten genereren.”
Je hebt je bevindingen in een wetenschappelijk artikel beschreven, dat werd geaccepteerd op een conferentie?
“Klopt, het artikel is geaccepteerd door de Intelligent Data Analysis Conferentie in Rennes, Frankrijk, waar ik het in april heb gepresenteerd. Daar was ik blij mee.”
Wat is de volgende uitdaging waarmee je aan de slag gaat?
“Dat is het clusteren van deelnemers die enigszins overeenkomen. Dat noem je het ‘time series clustering probleem’, waarbij de uitdaging is: je weet niet of de mensen die je selecteert inderdaad overeenkomsten hebben. Er zijn veel verschillende manieren om uit te zoeken hoe vergelijkbaar deelnemers zijn. Als ik vind dat de informatie van zo’n groep op een complementaire manier kan worden gebruikt in modellen, kan dat ook op individueel niveau betere resultaten opleveren."
Wanneer ben je in je werk het meest in je element?
“Wanneer ik interessante resultaten vind, waarmee ik verder kan werken aan het verbeteren van mijn modellen. En wanneer ik iets interessants lees in de literatuur, zoals een methode die we misschien kunnen toepassen op de EMA-data (Ecological Momentary Assessment; het herhaaldelijk bevragen van het gedrag en de ervaringen van een persoon door de dag heen, in de dagelijkse omgeving van de persoon, red.). Er zijn heel veel verschillende modellen op de wereld en wij willen vinden welke het beste past bij de vele deelnemers die we uiteindelijk gaan onderzoeken en de vele data die dat gaat genereren. Ik kijk ook uit naar het toevoegen van de data die we van smartphones gaan krijgen tijdens de studies, over bijvoorbeeld het social media gebruik of slaapgedrag. Omdat dit meer objectieve data zijn, die een waardevolle toevoeging kunnen zijn op de EMA-data, lijkt me dat veelbelovend.”