KDDJun, 2020

多目标完全观测结果下的治疗策略学习

PDF
TL;DR本研究比较并评估了三种在医疗决策中学习个性化治疗方针的方法：两种间接方法和一种直接方法。研究结果表明，三种方法均优于临床医生，并在不同目标之间进行权衡。直接方法还具有其他优点，包括灵活地将其他目标纳入考量，适用于简单情况的医师推迟。
medical decision-makingindividualized treatment policiespredictive modelstrade-offsurinary tract infection
发现论文，激发创造
  • 学习何时治疗的策略

    开发了一种基于 “优势双倍稳健” 估计器的动态治疗规则学习方法，适用于顺序无关性假设，证明了福利遗憾界，展示了在几种不同背景下有希望的实证表现。该方法适用于政策优化，不需要任何结构性假设。

    May, 2019

  • 利用观测数据进行政策学习

    本文提出了一种新的方法来优化二分类或连续处理的细微变化，该方法可以利用观测数据，其中因果效应使用各种策略（包括可观察的选择和仪器变量）进行识别，并建立了一种针对选择谁进行治疗的算法，并确定了其产生的政策渐近效用后悔的强有力保证。

    Feb, 2017

  • 降维多目标策略学习与优化

    通过降维回归模型，我们提出了一种数据驱动的方法，以多目标的最优政策学习为背景，从观测结果中学习出真实结果的低维度表示。我们的方法在政策评估和优化中降低了估计误差，通过降低噪音社会结果的方差，提高了算法分配的性能。

    Apr, 2024

  • 估计个体治疗效果时模型选择方法比较

    对于估计异质性治疗效果的研究人员，不需要局限于单个模型拟合算法，应通过从验证集中学习的目标函数对使用多个算法拟合的多个模型进行评估，从而选择最小化目标的模型，用于未来个体的治疗效果估计。

    Apr, 2018

  • 平衡策略评估与学习

    提出了一种基于平衡的权重方法来评估和学习个性化决策策略，该方法适用于利用历史记录来进行个性化医疗和互联网广告，该方法明显优于现有方法。

    May, 2017

  • 离线多操作策略学习：泛化与优化

    本文主要研究基于观测数据的离线多行动策略学习问题，特别地，该策略可能需要遵守预算约束或属于受限策略类，如决策树，提出了一个算法实现，能够达到渐近最小化风险后悔，这是在多行动设置中的首次结果，对于现有的学习算法有大幅度的性能提升。该文提出了两种不同的方法来解决当策略被限制为采用决策树形式时出现的附加计算挑战，一种方法使用混合整数方案，另一种方法使用基于树搜索的算法。

    Oct, 2018

  • 使用多任务高斯过程进行个性化治疗效应的贝叶斯推断

    基于电子病历的丰富性，本研究提出了一种基于多任务学习的方法来推断个性化治疗效果，使用非参数贝叶斯方法来学习治疗效果，同时提供置信度的点间可信区间，以实现精准医学，并证明该方法在早产儿干预社会计划和舒张期心脏病患者左心室辅助装置中明显优于现有技术。

    Apr, 2017

  • 将患者偏好纳入 Q-Learning 的灵活框架

    在实际医疗问题中，经常存在着多个竞争性的关注点，如治疗效果和副作用严重程度。本研究提出了一种新的方法，称为隐性效用 Q 学习（LUQ-Learning），来解决现有方法在评估复合结果时存在的限制，包括对单一时间点和两个结果的约束、无法纳入患者自述的偏好和有限的理论保证。我们的方法在模拟实验中表现优异，并与多个替代方案相比具有高度竞争的实证表现。

    Jul, 2023

  • 重症监护病房患者实验室检测的最优策略

    在本文中，我们引入了一个学习如何预测检查频率与时间的框架，基于临床决策的复合奖励函数，使用批量脱机强化学习，以优化具有成本和风险之间权衡关系的检查选择和时间。

    Aug, 2018

  • 基于帕累托最优的短期与长期治疗效果估计和策略学习

    该论文研究了 Pareto 最优估计和政策学习方法，用于识别最有效的治疗方法，通过权衡短期和长期效果最大化总奖励，解决多目标优化和冲突问题。

    Mar, 2024