論文の概要: Optimizing Digital Therapeutic Interventions: Online Learning under Endogenous Adherence

• arxiv url: http://arxiv.org/abs/2605.24261v1
• Date: Fri, 22 May 2026 22:27:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.833108
• Title: Optimizing Digital Therapeutic Interventions: Online Learning under Endogenous Adherence
• Title（参考訳）: デジタル治療介入の最適化--内因性接着下でのオンライン学習
• Authors: Eric Pulick, Stephanie Carpenter, Matthew Buman, Yonatan Mintz,
• Abstract要約: デジタル治療 (Digital Treatments, DT) は、反復的な相互作用を通じて大規模な介入を管理するためのコスト効率の高い方法である。 行動心理学は、治療勧告と過去の順守の両方が将来の順守に影響を与えることを示唆している。 本稿では,レコメンデーションとアドバンス効果の両方をキャプチャするDT決定支援フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.6299766708197881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A critical challenge facing clinicians managing chronic disease interventions is sustaining long-run patient health given limited information and resources. Digital therapeutics (DTs) provide a cost-effective way to manage interventions at scale through repeated interactions (e.g. daily treatment recommendations), but patient success is highly dependent on their adherence. Behavioral psychology suggests that both treatment recommendations and past adherence affect future adherence, yet existing decision support frameworks for DTs model only recommendation effects or treat adherence as exogenous context, leaving a key gap in model and algorithm development. To address this gap, we present a DT decision support framework that captures both recommendation and adherence effects, allowing clinicians to better plan treatment recommendations. We model a patient's time-varying capacity for engagement with treatment using a linear dynamical system (LDS) that captures both recommendation and adherence effects, endogenously connected to adherence behavior with a logit link. We establish finite-time identification guarantees for this model, extending LDS results to our setting. Next, we propose an optimism-based algorithm, UCB-BOLD, for online treatment selection and prove that it achieves sublinear regret. We evaluate UCB-BOLD against benchmarks via ablation studies on a synthetic patient cohort generated using micro-randomized trial data. DT decision support tools can include dynamical models to enable decision makers to efficiently use the data in DT settings to improve patient health through effective resource allocation. While myopic or heuristic approaches suffice for some patient types, the benefits of explicitly planning around recommendation and adherence effects are significant for others; UCB-BOLD achieves 2-3x lower conditional value-at-risk regret than the next-best benchmark.
• Abstract（参考訳）: 慢性疾患の介入を管理する臨床医が直面する重要な課題は、限られた情報とリソースを与えられた長期の患者の健康を維持することである。 デジタル治療(DT)は、反復的相互作用(例えば毎日の治療勧告)を通じて大規模な介入を管理するための費用対効果を提供するが、患者の成功は患者の順守に大きく依存する。 行動心理学は、治療の推奨と過去の定着の両方が将来の定着に影響を与えることを示唆するが、既存のDTsモデルの決定支援フレームワークは推奨効果のみに過ぎず、外来的な文脈として付着を扱い、モデルとアルゴリズムの開発において重要なギャップを残している。 このギャップに対処するために,推奨効果と順応効果の両方を捉えるDT決定支援フレームワークを提案する。 本稿では,リニアダイナミックスシステム(LDS)を用いて,レコメンデーションとアテンデンス効果の両面を捉え,ロジットリンクで順応的にアテンデンス行動に接続する患者の時間変化能力のモデル化を行った。 我々は、このモデルに対する有限時間識別保証を確立し、LSD結果を我々の設定に拡張する。 次に,オンライン治療選択のための楽観的アルゴリズム UCB-BOLD を提案する。 マイクロランダム化試験データを用いて生成した人工患者コホートに対するアブレーション法によるベンチマークに対するUTB-BOLDの評価を行った。 DT決定支援ツールは、動的モデルを含み、意思決定者がDT設定でデータを効率的に利用し、効果的なリソース割り当てを通じて患者の健康を改善することができる。 UCB-BOLDは次のベストベンチマークよりも2～3倍低い条件値-リスク後悔を達成している。

関連論文リスト

• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Censoring-Aware Tree-Based Reinforcement Learning for Estimating Dynamic Treatment Regimes with Censored Outcomes [4.877686100899469]
  Censoring-Aware Tree-Based Reinforcement Learning (CA-TRL)は、検閲データに関連する複雑さに対処する新しいフレームワークである。 本稿では,SANADエピレプシー・データセットを用いた広範囲なシミュレーションと実世界の応用を通して,その効果を実証する。
  論文  参考訳（メタデータ） (2025-03-09T16:53:09Z)
• Empowering Clinicians with Medical Decision Transformers: A Framework for Sepsis Treatment [5.0005174003014865]
  安全クリティカルな環境下での課題を解決するための医療意思決定変換器(MeDT)を提案する。 MeDTは、決定トランスフォーマーアーキテクチャを使用して、薬物投与推奨のポリシーを学ぶ。 MeDTは、患者の医療履歴、治療決定、結果、安定性に対する短期的影響の複雑な依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-07-28T03:40:00Z)
• 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)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Learning Optimal Treatment Strategies for Sepsis Using Offline Reinforcement Learning in Continuous Space [4.031538204818658]
  本稿では,臨床医がリアルタイム治療に最適な基準選択を推奨するのに役立つ,歴史的データに基づく新しい医療決定モデルを提案する。 本モデルでは, オフライン強化学習と深層強化学習を組み合わせることで, 医療における従来の強化学習が環境と相互作用できない問題に対処する。
  論文  参考訳（メタデータ） (2022-06-22T16:17:21Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
  動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。 最適な治療体制を効率的に学習するための強化学習法を開発した。
  論文  参考訳（メタデータ） (2021-12-08T20:22:04Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)
• Multicategory Angle-based Learning for Estimating Optimal Dynamic Treatment Regimes with Censored Data [12.499787110182632]
  最適な治療体制(DTR)は、長期的な利益を最大化するための一連の決定規則から構成される。 本稿では,マルチカテゴリ処理フレームワークを用いて,最適DTRをターゲットとした新しい角度ベースアプローチを提案する。 本稿では,条件付き生存関数の最大化の観点から,提案手法が競合手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-14T05:19:15Z)

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。