多准则医院病例组合规划的效能评估
医院的病例组合对容量利用至关重要,本研究提出了一种改进的多准则优化方法,生成了一个非支配病例组合的存档,并使用 KD 树进行高维帕累托边界的测试和存储,同时开发了一个适用的决策支持工具来生成、查看、导航和查询该存档。
Jul, 2023
该文章介绍了分析技术和决策支持工具,用于支持之前为医院创建的容量评估和病例组合规划(CMP)方法。提出了一个优化模型来分析对现有病例组合进行更改的影响,并确定其他类型的患者应该以何种比例随着医院资源的变化而进行相应的改变。然后,我们提出了多目标决策技术,用于比较和评价获得的竞争性病例组合解决方案。提出的技术无缝嵌入了一个 Excel 视觉基础应用程序(VBA)个人决策支持工具(PDST),用于对医院容量进行信息量化评估。PDST 报告差异的信息度量,并报告病例组合修改对其他类型患者的影响。本文所开发的技术弥补了当前理论与实践之间的缺失,并提供了更多有关医院容量的情境意识。
Jul, 2023
该论文提出了一种新的机制,使得 IMF 能够在运行时推广到不同形式的效用函数和意向优先级的变化,无需额外的训练,从而在客户意图和优先级频繁变化的实时网络中部署 IMF 并展示其高效性、可伸缩性和灵活性。
May, 2024
本研究提出了一种基于偏好学习方法的离线学习效用函数的优化算法,不仅可以使用关于结果的偏好,还可以使用效用函数空间的粗略信息,尤其在使用很少的结果时有助于提高效用函数的估计精度,并且可以结合模型来考虑效用函数学习任务中发生的不确定性。
Aug, 2022
提出了一种基于强化学习的 CFU(综合公平性 - 效用)框架,可以在多个公平度量方面同时改善机器学习分类器的公平性和效用。通过建立综合度量和新度量,构建了 CFU 的奖励函数,并通过广泛实验验证了其性能优于现有技术,并实现了平均 37.5% 的改进。
Jul, 2023
本文提出了一种新的框架,可以支持新类别的实用准则,利用规则式语言如 ASP 对数据集进行分析,并且利用扩展函数快速有效地进行编码和测试。最后,本研究以 COVID-19 患者的 ICU 预测为例,通过大量实验结果展示了所提方法的有效性。
Mar, 2023
使用人工智能(AI)指导患者护理或操作过程的影响是 AI 模型输出、基于该输出的决策制定协议以及参与方采取必要后续行动的相互作用。斯坦福医疗保健的数据科学团队开发了一种 “公平、有用和可靠 AI 模型(FURM)” 的机制,通过进行伦理审查来识别潜在的价值不匹配,通过模拟估计有用性,通过财务预测评估可持续性,以及通过分析来确定 IT 的可行性,设计部署策略,并推荐前瞻性的监测和评估计划,从而实现在部署之前估计其影响效果,以及在实时研究其影响效果。我们报道了对六个 AI 模型指导解决方案进行的 FURM 评估,以评估其潜在采用性的过程,涵盖临床和操作设置,每年可能影响数十个到数万个患者。我们描述了评估过程,总结了这六个评估,并分享了我们的框架,以使他人能够进行类似的评估。在我们评估的六个方案中,有两个已进入规划和实施阶段。我们的创新贡献,包括模拟估计的有用性、量化可持续性的财务预测以及进行伦理评估的过程,以及底层方法和开源工具,可供其他医疗保健系统进行可行的候选 AI 解决方案评估。
Feb, 2024
本研究提出了一种名为 TFUM 的新型一阶暂态模糊效用项集挖掘方法,该方法在内存中维护不多但重要的有关潜在高暂态模糊效用项集的信息,然后在较短时间内发现一组完整且真正有趣的模式。实验证明,该方法在运行时间、内存使用率和可扩展性方面优于现有算法。
Aug, 2022
该研究提出了第一个精确算法,用于在给定广泛类的因果目标函数和完全指定的结构性因果模型下找到最优单元选择,同时提供了基于树宽度的复杂性边界,与最大后验概率推断的一个著名算法相关。
Feb, 2023
该综述论文旨在提供一种对效用矿山(UPM)的综合和有结构的概述,包括其概念,方法和现有的高效用模式,采用的技术和算法等,同时考虑其高影响应用的实际挑战和开放问题。
May, 2018