Mar, 2023

个性化行为健康干预的政策优化

PDF
TL;DR本文提出了一种名为 DecompPI 的新算法，用于优化基于行为干预的个性化健康干预计划，以实现卓越的长期健康成果；我们发现，该算法不仅具有一定的理论保证，而且在现实应用中也能够显著地减少干预成本。
behavioral health interventionsdigital platformspersonalized interventionspolicy iterationhealthcare applications
发现论文，激发创造
  • 移动行为减重干预个性化金融激励自适应优化方法

    本篇研究论文考虑如何设计个性化的减肥干预措施，使用直接财务激励措施促进体重减轻但保持预算不超支，针对这一挑战，我们创建了一种机器学习方法，能够预测个体对不同激励计划的反应，并将该预测模型用于自适应框架中，以计算在干预期间向参与者提供哪些激励，并保持研究预算。

    Jul, 2023

  • 适应性干预学习策略：在预防保健中应用于不稳定赌博机

    研究了在公共卫生领域中，如何通过 Q-learning 基于 Whittle 指数的机制，解决患者逐渐脱离健康项目的问题。

    May, 2021

  • 应用于移动健康的长期平均结果的离策略估计

    本文探讨了移动健康干预技术 (mHealth) 中的即时自适应干预政策，包括专家提供的政策以及基于历史数据的干预政策效果估计，并提供了一个估计器和置信区间，以评估这类政策在长期内是否能提高健康结果。

    Dec, 2019

  • 高效的公共卫生干预规划基于分解式决策导向学习

    优化受益人干预计划以提高干预效果的研究中，本文通过对残存的历史数据进行感知模型参数估计，提出了一种基于 Restless Multi-Armed Bandits 和 Decision-Focused Learning 的快速干预规划方法，实验证明该方法在速度和性能上优于现有方法。

    Mar, 2024

  • 利用机器学习和领域知识个性化数字健康行为变革干预

    我们正在开发一种虚拟辅导系统，旨在帮助患者坚持行为改变干预。我们提出的系统可以预测患者是否会执行目标行为，并使用反事实案例来个性化指导行为改变干预。我们通过使用不同接受干预程度的模拟患者数据来评估我们的预测模型。

    Apr, 2023

  • MentalHealthAI：利用个人健康设备数据优化精神病学治疗

    本文提出了一种个性化心理健康监测和情绪预测系统，利用患者生理数据，并采用分散的学习机制结合传输和联邦机器学习，使数据留在用户设备上，在隐私和可追踪的方式下实现心理健康条件的跟踪和管理，从而为精神科治疗提供了一个新颖的解决方案。

    Jul, 2023

  • 数字干预强化学习算法设计：实施前指南

    该研究介绍了如何使用预测性、可计算性和稳定性（PCS）框架设计在线强化学习算法来个性化数字干预，提供了指南并展示了如何在模拟环境中评估候选算法，以加强现实时间限制和用户动态环境的稳定性，从而在 Oralytics 项目中改善用户的口腔健康，预计 2022 年底进行实地测试。

    Jun, 2022

  • 将移动健康用户建模为强化学习智能体

    本文介绍了一个框架，通过提供不同类型的干预措施，帮助使用移动健康技术的患者在日常生活中采取或保持健康的行为，同时优化了马尔可夫决策过程的参数，以解决人类决策过程中可能出现的问题。

    Dec, 2022

  • 设计和评估一个在线增强学习代理器，用于在个体化试验中进行身体锻炼推荐

    个性化适应性干预的规划和实施存在挑战，本研究介绍了在线强化学习代理实施个性化干预的可行性和有效性的 N-of-1 试验设计，结果显示适应性干预能增加患者效益，但设计和实施过程变得更为复杂，同时需要利用之前干预研究的数据来量化预期效益。

    Sep, 2023

  • 针对健康行为改变的自适应干预

    通过改进的 Thompson 采样算法实现对个性化目标的优化和个性化奖励函数的最优化，从而在移动健康应用中达到降低累积遗憾和提高个性化回报的效果。

    Nov, 2023