論文の概要: Deep Causal Behavioral Policy Learning: Applications to Healthcare

• arxiv url: http://arxiv.org/abs/2503.03724v1
• Date: Wed, 05 Mar 2025 18:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:53:58.043142
• Title: Deep Causal Behavioral Policy Learning: Applications to Healthcare
• Title（参考訳）: 深層因果行動政策学習 : 医療への応用
• Authors: Jonas Knecht, Anna Zink, Jonathan Kolstad, Maya Petersen,
• Abstract要約: 多様な非ランダム化医療環境におけるダイナミックな臨床行動体制を研究するための深層学習に基づくアプローチを提案する。 提案手法は,ディープラーニングアルゴリズムを用いて,高次元臨床行動経路の分布を学習する。 LCBMを用いて学習した行動政策の新たな解釈として,患者の治療に使用される複雑で暗黙的な知識を効率的に符号化する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a deep learning-based approach to studying dynamic clinical behavioral regimes in diverse non-randomized healthcare settings. Our proposed methodology - deep causal behavioral policy learning (DC-BPL) - uses deep learning algorithms to learn the distribution of high-dimensional clinical action paths, and identifies the causal link between these action paths and patient outcomes. Specifically, our approach: (1) identifies the causal effects of provider assignment on clinical outcomes; (2) learns the distribution of clinical actions a given provider would take given evolving patient information; (3) and combines these steps to identify the optimal provider for a given patient type and emulate that provider's care decisions. Underlying this strategy, we train a large clinical behavioral model (LCBM) on electronic health records data using a transformer architecture, and demonstrate its ability to estimate clinical behavioral policies. We propose a novel interpretation of a behavioral policy learned using the LCBM: that it is an efficient encoding of complex, often implicit, knowledge used to treat a patient. This allows us to learn a space of policies that are critical to a wide range of healthcare applications, in which the vast majority of clinical knowledge is acquired tacitly through years of practice and only a tiny fraction of information relevant to patient care is written down (e.g. in textbooks, studies or standardized guidelines).
• Abstract（参考訳）: 多様な非ランダム化医療環境におけるダイナミックな臨床行動体制を研究するための深層学習に基づくアプローチを提案する。 提案手法は, 深層因果行動政策学習(DC-BPL)を用いて, 高次元臨床行動経路の分布を学習し, これらの行動経路と患者結果との因果関係を同定する。 具体的には,(1)提供者割り当てが臨床結果に与える因果的影響を同定し,(2)提供者が患者情報を進化させる臨床行動の分布を学習し,(3)提供者に対して最適な提供者を特定し,その提供者のケア決定をエミュレートする。 この戦略に基づき、トランスフォーマーアーキテクチャを用いて、電子健康記録データに基づく大規模な臨床行動モデル(LCBM)を訓練し、臨床行動ポリシーを推定する能力を示す。 LCBMを用いて学習した行動政策の新たな解釈として,患者の治療に使用される複雑で暗黙的な知識を効率的に符号化する手法を提案する。 これにより、幅広い医療分野において重要な政策の空間を学べることができ、臨床知識の大部分は、長年の実践を通じて暗黙的に取得され、患者医療に関連する情報のごく一部しか書かれていない(教科書、研究、標準化されたガイドラインなど)。

関連論文リスト

• Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
  大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。 本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-24T15:41:56Z)
• Towards Real-World Applications of Personalized Anesthesia Using Policy Constraint Q Learning for Propofol Infusion Control [11.07500653906137]
  Policy Constraint Q-Learning(PCQL)は、実際の臨床データセットで麻酔戦略を学習する問題を解決するための、データ駆動型強化学習アルゴリズムである。 PCQLは、実際の臨床麻酔データセットに関する広範な実験によって検証される。
  論文  参考訳（メタデータ） (2023-03-17T10:05:20Z)
• Psychotherapy AI Companion with Reinforcement Learning Recommendations and Interpretable Policy Dynamics [27.80555922579736]
  本稿では、患者反応に基づくセラピストのためのトピックレコメンデーションを生成する強化学習心理療法AIコンパニオンを紹介する。 このシステムは、Deep Reinforcement Learning (DRL)を使用して、4つの異なる精神状態に対する多目的ポリシーを生成する。
  論文  参考訳（メタデータ） (2023-03-16T19:01:29Z)
• POETREE: Interpretable Policy Learning with Adaptive Decision Trees [78.6363825307044]
  POETREEは、ポリシー学習を解釈するための新しいフレームワークである。 患者の観察と医療史に基づいて、医師の行動を決定する確率的ツリーポリシーを構築する。 これは、リアルおよび合成医療データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2022-03-15T16:50:52Z)
• Interpretable Off-Policy Learning via Hyperbox Search [20.83151214072516]
  本稿では,ハイパーボックス検索による非政治学習の解釈アルゴリズムを提案する。 我々のポリシーは可解な正規形式(すなわち OR-of-ANDs)で表すことができ、したがって不可知である。 我々のアルゴリズムは、後悔の観点から、政治以外の学習を解釈することによる最先端の手法よりも優れていることを実証する。
  論文  参考訳（メタデータ） (2022-03-04T18:10:24Z)
• Inverse Contextual Bandits: Learning How Behavior Evolves over Time [89.59391124399927]
  意思決定の解釈可能な表現を提供する政策学習へのアプローチを模索する。 まず,文脈的帯域幅の観点から学習エージェントの挙動をモデル化し,逆文脈的帯域幅(ICB)の問題の定式化を行う。 第2に,エージェントの学習戦略に関して,各エージェントが仮定の度合いを変える2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-13T18:24:18Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• AI Driven Knowledge Extraction from Clinical Practice Guidelines: Turning Research into Practice [2.803896166632835]
  臨床実践ガイドライン(CPGs)は、医療領域における最先端の研究成果を医療従事者と共有するための最前線の方法論です。 しかし、多くのCPGから関連する知識を抽出することは、すでに負担のかかる医療専門家には実現できません。 本研究は, CPGから知識を抽出し, ギャップを減らし, 最新の研究成果を臨床実践に転換する手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T07:23:02Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Optimizing Medical Treatment for Sepsis in Intensive Care: from Reinforcement Learning to Pre-Trial Evaluation [2.908482270923597]
  本研究の目的は, 介入を最適化する強化学習(RL)が, 学習方針の治験に対する規制に適合する経路を遡及的に得る枠組みを確立することである。 我々は,死の主な原因の一つであり,複雑で不透明な患者動態のため治療が困難である集中治療室の感染症に焦点を当てた。
  論文  参考訳（メタデータ） (2020-03-13T20:31:47Z)

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。