論文の概要: Learning Potentials for Dynamic Matching and Application to Heart Transplantation

• arxiv url: http://arxiv.org/abs/2602.08878v1
• Date: Mon, 09 Feb 2026 16:39:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.369924
• Title: Learning Potentials for Dynamic Matching and Application to Heart Transplantation
• Title（参考訳）: 動的マッチングのための学習電位と心臓移植への応用
• Authors: Itai Zilberstein, Ioannis Anagnostides, Zachary W. Sollie, Arman Kilic, Tuomas Sandholm,
• Abstract要約: 本稿では, 一般のオンラインマッチングにおいて, 潜在能力に依存した非神秘的ポリシー最適化のための新しい枠組みを提案する。 我々のアプローチは、自己監督型模倣学習の一形態であり、ポテンシャルは、完全なフォアビジョンを持つアルゴリズムを模倣するように訓練されている。
• 参考スコア（独自算出の注目度）: 45.83272225462161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Each year, thousands of patients in need of heart transplants face life-threatening wait times due to organ scarcity. While allocation policies aim to maximize population-level outcomes, current approaches often fail to account for the dynamic arrival of organs and the composition of waitlisted candidates, thereby hampering efficiency. The United States is transitioning from rigid, rule-based allocation to more flexible data-driven models. In this paper, we propose a novel framework for non-myopic policy optimization in general online matching relying on potentials, a concept originally introduced for kidney exchange. We develop scalable and accurate ways of learning potentials that are higher-dimensional and more expressive than prior approaches. Our approach is a form of self-supervised imitation learning: the potentials are trained to mimic an omniscient algorithm that has perfect foresight. We focus on the application of heart transplant allocation and demonstrate, using real historical data, that our policies significantly outperform prior approaches -- including the current US status quo policy and the proposed continuous distribution framework -- in optimizing for population-level outcomes. Our analysis and methods come at a pivotal moment in US policy, as the current heart transplant allocation system is under review. We propose a scalable and theoretically grounded path toward more effective organ allocation.
• Abstract（参考訳）: 毎年、臓器不足のために心臓移植が必要な何千人もの患者が、終生の待ち時間に直面している。 割り当て政策は人口レベルの成果を最大化することを目的としているが、現在のアプローチでは臓器の動的到着と待ち行列の候補の構成を考慮できないことが多く、効率を損なう。 米国は厳格なルールベースのアロケーションから、より柔軟なデータ駆動モデルへの移行を進めている。 本稿では,腎臓交換のための概念である電位に依存したオンラインマッチングにおいて,筋力的でないポリシー最適化のための新しい枠組みを提案する。 我々は,従来のアプローチよりも高次元かつ表現力のある,スケーラブルで正確な学習方法を開発する。 我々のアプローチは、自己監督型模倣学習の一形態であり、そのポテンシャルは、完全な前見性を持つ全知的なアルゴリズムを模倣するように訓練されている。 我々は、心臓移植割当の適用に焦点をあて、実際の歴史的データを用いて、我々の政策は、人口レベルの結果の最適化において、現在の米国状態クオポリシーや提案された継続的分布フレームワークを含む、これまでのアプローチよりも著しく優れていたことを実証する。 我々の分析と方法は、現在の心臓移植割当システムについて、米国の政策において重要な瞬間を迎えている。 我々は,より効率的な臓器アロケーションに向けて,スケーラブルで理論的に基礎を成す経路を提案する。

関連論文リスト

• Position: Machine Learning for Heart Transplant Allocation Policy Optimization Should Account for Incentives [45.83272225462161]
  少ないドナー臓器の割り当ては、医療における最も複雑なアルゴリズム上の課題の1つである。 現在のアプローチは、インセンティブという基本的な障壁を見落としていることが多い。 臓器割当は単に最適化の問題ではなく、臓器調達組織、移植センター、臨床医、患者、規制機関を含む複雑なゲームであると主張する。
  論文  参考訳（メタデータ） (2026-02-04T19:24:06Z)
• Policy Optimization for Dynamic Heart Transplant Allocation [48.56507763517103]
  心臓移植は、進行性心不全の患者にとって有効な方法である。 現在の割当政策は、移植前と移植後の死亡率を考慮すると十分ではない。 異なるポリシーの性能を評価・比較できる新しいシミュレータを開発した。
  論文  参考訳（メタデータ） (2025-12-13T23:51:31Z)
• Towards Efficient Prompt-based Continual Learning in Distributed Medical AI [0.13265175299265505]
  現代のAIモデルは、大規模で高品質なデータセットで最先端のパフォーマンスを達成する。 医療分野における倫理的、社会的、制度的な制約は、データ共有を厳しく制限している。 本稿では,最小拡張戦略を持つ統一的なプロンプトプールを特徴とする,プロンプトベース連続学習(PCL)手法を提案する。
  論文  参考訳（メタデータ） (2025-08-14T06:46:14Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
  デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。 患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。 患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-21T21:42:03Z)

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。