論文の概要: A Deployed Online Reinforcement Learning Algorithm In An Oral Health Clinical Trial

• arxiv url: http://arxiv.org/abs/2409.02069v2
• Date: Wed, 18 Dec 2024 23:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 20:07:39.144984
• Title: A Deployed Online Reinforcement Learning Algorithm In An Oral Health Clinical Trial
• Title（参考訳）: オンライン強化学習アルゴリズムを口腔内臨床実験に導入する
• Authors: Anna L. Trella, Kelly W. Zhang, Hinal Jajal, Inbal Nahum-Shani, Vivek Shetty, Finale Doshi-Velez, Susan A. Murphy,
• Abstract要約: 歯科疾患は、実質的な財政的負担、個人的苦痛、全身疾患のリスクの増加を伴う慢性疾患である。 毎日2回歯磨きを推奨しているにもかかわらず、忘れやすさや解離などの要因により、推奨された口腔セルフケア行動への固執は依然として最適ではない。 歯科疾患のリスクを負う医療従事者の予防ケアを補完する医療介入システムOralyticsを開発した。
• 参考スコア（独自算出の注目度）: 20.944037982124037
• License:
• Abstract: Dental disease is a prevalent chronic condition associated with substantial financial burden, personal suffering, and increased risk of systemic diseases. Despite widespread recommendations for twice-daily tooth brushing, adherence to recommended oral self-care behaviors remains sub-optimal due to factors such as forgetfulness and disengagement. To address this, we developed Oralytics, a mHealth intervention system designed to complement clinician-delivered preventative care for marginalized individuals at risk for dental disease. Oralytics incorporates an online reinforcement learning algorithm to determine optimal times to deliver intervention prompts that encourage oral self-care behaviors. We have deployed Oralytics in a registered clinical trial. The deployment required careful design to manage challenges specific to the clinical trials setting in the U.S. In this paper, we (1) highlight key design decisions of the RL algorithm that address these challenges and (2) conduct a re-sampling analysis to evaluate algorithm design decisions. A second phase (randomized control trial) of Oralytics is planned to start in spring 2025.
• Abstract（参考訳）: 歯科疾患は、重度の財政的負担、個人的苦痛、全身疾患のリスクの増加に伴う慢性疾患である。 毎日2回歯磨きを推奨しているにもかかわらず、忘れやすさや解離などの要因により、推奨された口腔セルフケア行動への固執は依然として最適ではない。 そこで我々は, 歯科疾患のリスクがある医療従事者に対して, 医療従事者の予防ケアを補完する医療介入システムOralyticsを開発した。 Oralyticsは、オンライン強化学習アルゴリズムを組み込んで、介入のプロンプトを提供する最適な時間を決定する。 我々はOralyticsを登録臨床試験に導入した。 この配備は、米国での臨床試験に特有の課題を管理するために慎重な設計を必要とした。 本稿では,(1)これらの課題に対処するRLアルゴリズムの鍵となる設計決定を強調し,(2)アルゴリズム設計決定を評価するために再サンプリング分析を行う。 オーラシスの第2段階(ランダム化制御試験)は2025年春に開始される予定である。

関連論文リスト

• Oralytics Reinforcement Learning Algorithm [5.54328512723076]
  歯科疾患はアメリカ合衆国で最も一般的な慢性疾患の1つである。 パーソナライズされた介入プロンプトのデリバリを最適化し,口腔セルフケア(OSCB)を改善するオンライン強化学習(RL)アルゴリズムであるOralyticsを開発した。 最終RLアルゴリズムは、2023年秋から2024年夏にかけて行われたOralytics臨床試験で展開された。
  論文  参考訳（メタデータ） (2024-06-19T00:44:11Z)
• Monitoring Fidelity of Online Reinforcement Learning Algorithms in Clinical Trials [20.944037982124037]
  本稿では,オンラインRLアルゴリズムを臨床試験に導入するための重要な要件として,アルゴリズムの忠実性を提案する。 我々は,アルゴリズム開発者や臨床研究者がアルゴリズムの忠実性を確保するのに役立つ,事前デプロイ計画とリアルタイムモニタリングのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-26T20:19:14Z)
• RL-Based Guidance in Outpatient Hysteroscopy Training: A Feasibility Study [4.614579113754949]
  本研究は, 外来内視鏡トレーニングのためのRLをベースとした薬剤である。 近年の進歩により麻酔を伴わない外来での介入が可能となった。 患者に有益であると同時に、患者が快適な状態を維持し、組織損傷を予防するための新たな対策を講ずるために、臨床医に新たな課題がもたらされる。
  論文  参考訳（メタデータ） (2022-11-26T11:16:17Z)
• Automated Fidelity Assessment for Strategy Training in Inpatient Rehabilitation using Natural Language Processing [53.096237570992294]
  戦略トレーニング (Strategy Training) とは、脳卒中後の認知障害患者に障害を減らすためのスキルを教える、リハビリテーションのアプローチである。 標準化された忠実度評価は治療原則の遵守度を測定するために用いられる。 本研究では,ルールベースNLPアルゴリズム,長短項メモリ(LSTM)モデル,および変換器(BERT)モデルからの双方向エンコーダ表現を開発した。
  論文  参考訳（メタデータ） (2022-09-14T15:33:30Z)
• Reward Design For An Online Reinforcement Learning Algorithm Supporting Oral Self-Care [24.283342018185028]
  歯科疾患は、主に予防可能であるにもかかわらず、最も一般的な慢性疾患の1つである。 我々は,移動型プロンプトの配信を最適化し,口腔衛生行動を促進するために,オンライン強化学習(RL)アルゴリズムを開発した。 この論文で論じられたRLアルゴリズムは、口腔衛生実践における患者のエンゲージメントを高める行動戦略を提供する口腔セルフケアアプリであるOralyticsにデプロイされる。
  論文  参考訳（メタデータ） (2022-08-15T18:47:09Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Learning Hierarchical Attention for Weakly-supervised Chest X-Ray Abnormality Localization and Diagnosis [28.747482895051103]
  深層学習は医療画像の進歩を 引き起こしていますが 臨床上の課題の多くは 完全には解決されていません この問題に対処する潜在的な方法の1つは、これらのモデルを、単に分類するだけでなく、異常をローカライズするためにさらに訓練することである。 本研究では,これらの課題に対処するために,注意駆動型弱教師付きアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-23T04:12:51Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。