論文の概要: The Evidence Ladder for Reinforcement Learning in Healthcare: From Retrospective Policies to Trusted Interventions

• arxiv url: http://arxiv.org/abs/2609.23374v1
• Date: Sun, 20 Sep 2026 05:49:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.806136
• Title: The Evidence Ladder for Reinforcement Learning in Healthcare: From Retrospective Policies to Trusted Interventions
• Title（参考訳）: 医療における強化学習のエビデンス・ラダー--ふりかえり政策から信頼された介入へ
• Abstract要約: 強化学習(Reinforcement Learning, RL)は、長い時間をかけて散在する医療判断のための自然言語を提供する。 我々は,問題の定式化,ふりかえりの識別,政策推定オプション,ストレステスト,予測評価,ライフサイクルモニタリングというエビデンスラグを通じて医療RLをレビューする。
• 参考スコア（独自算出の注目度）: 6.980076213134384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement learning (RL) offers a natural language for healthcare decisions whose conse- quences unfold over time, yet most reported progress remains far from routine intervention. Ex- isting surveys organize the field by algorithm or clinical application. We instead review healthcare RL through an evidence ladder: problem formulation, retrospective identification, policy estima- tion, stress testing, prospective evaluation, and lifecycle monitoring. This view connects clinical treatment, patient engagement, and health-system operations while exposing a recurring gap: evi- dence that a policy scores well in a historical dataset is not evidence that it will improve care. We synthesize the assumptions and failure modes at each rung, identify what evidence can and can- not transfer across settings, and propose reporting practices for cumulative evaluation. Restless bandits are included as one special case, not as the organizing framework. The central lesson is that healthcare RL should be evaluated as an intervention embedded in a changing sociotechnical system, rather than only as an optimizer of a retrospective reward.
• Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、散文が時間の経過とともに広がる医療決定のための自然言語を提供するが、ほとんどの報告された進歩は日常的な介入には程遠い。 前回の調査では、アルゴリズムや臨床応用で分野を整理している。 代わりに、問題の定式化、ふりかえりの識別、ポリシーのエキシマ-オプション、ストレステスト、予測評価、ライフサイクルモニタリングというエビデンスラグを通じて、ヘルスケアRLをレビューします。 この見解は、臨床治療、患者のエンゲージメント、健康システム操作を関連付けながら、繰り返し発生するギャップを露呈する: 歴史的データセットでポリシーがよくスコアされるというevi-denceは、それがケアを改善するという証拠ではない。 我々は,各ラングにおける仮定と障害モードを合成し,どのエビデンスが可能で,どのエビデンスをセッティング間で転送できないかを識別し,累積評価のための報告プラクティスを提案する。 レスト・バンディットは、組織化の枠組みとしてではなく、一つの特別なケースとして含まれる。 中心的な教訓は、医療RLは、振り返り報酬のオプティマイザとしてだけではなく、変化する社会技術システムに埋め込まれた介入として評価されるべきである。

関連論文リスト

• Reuse Before You Retrieve: Diagnosing Headroom and Complementarity for Test-Time Augmentation of Embodied Multimodal Policies [56.86456077356948]
  凍結言語アクション(VLA)ポリシーは、テスト時に徐々に改善されている。 追加のサンプリングは、ポリシーのロールアウト内により優れた振る舞いが存在する場合にのみ有効である。 検索は、関連するアクションがポリシーによって確実に表現されない場合に最も有用である。
  論文  参考訳（メタデータ） (2026-08-18T08:11:31Z)
• Measure, Don't Optimize: Forecasting Recovery in LLM Unlearning [57.920153607557744]
  J-Accessは、モデル出力経路に沿ってターゲット概念がアクセス可能な頻度を測定する推論時監査である。 我々は8つの未学習手法にまたがる398の公開未学習モデルを監査する。
  論文  参考訳（メタデータ） (2026-08-11T20:16:20Z)
• Testing the Black Box: Structural Barriers to Independent Evaluation of Consumer-Facing Health LLMs [2.526741713337939]
  一般患者に類似した条件下で, 一般消費者向け健康 LLM の応答変動と薬効について検討した。 予防接種適性検査尺度や生殖姿勢尺度などの検証された尺度を多ターンプロンプトに適応した。 結果: マルチターン会話において, 症状を隠蔽する安定応答が得られた。
  論文  参考訳（メタデータ） (2026-06-07T07:01:15Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Learning Preference-Based Objectives from Clinical Narratives for Sequential Treatment Decision-Making [8.302720355559359]
  軌道レベルの選好に対するスケーラブルな監視として扱うことにより,報奨関数を排出サマリーから直接学習する枠組みを提案する。 そこで我々は,TQS(trajectory quality score)を導出し,患者軌跡に対する一対の嗜好を構築し,構造化された嗜好に基づく報奨学習を可能にした。
  論文  参考訳（メタデータ） (2026-04-12T19:18:02Z)
• CARE-RAG - Clinical Assessment and Reasoning in RAG [43.1450755645803]
  大規模言語モデル(LLM)における検索と推論のギャップについて検討する。 推論の正確性,一貫性,忠実度を計測する評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-20T02:44:55Z)
• Rethinking Evidence Hierarchies in Medical Language Benchmarks: A Critical Evaluation of HealthBench [0.0]
  HealthBenchは、健康のためにAIシステムの能力を測定するために設計されたベンチマークである。 高レベルな臨床的証拠ではなく、専門家の意見に頼っているため、地域バイアスと個々の臨床医の同調を表わすリスクがある。 本稿では,体系的レビューとGRADEエビデンス評価を取り入れたバージョン管理臨床ガイドラインにおいて,報酬関数のアンカー化を提案する。
  論文  参考訳（メタデータ） (2025-07-31T18:16:10Z)
• Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
  本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。 我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。 我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
  論文  参考訳（メタデータ） (2025-03-12T10:17:54Z)
• 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)
• 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)
• 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。