論文の概要: Patient-Centered Treatment Planning for Chronic Multimorbidity: A Hierarchical Reinforcement Learning Framework for Preference Modeling

• arxiv url: http://arxiv.org/abs/2609.39911v1
• Date: Wed, 30 Sep 2026 15:05:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.956631
• Title: Patient-Centered Treatment Planning for Chronic Multimorbidity: A Hierarchical Reinforcement Learning Framework for Preference Modeling
• Title（参考訳）: 慢性多施設に対する患者中心治療計画: 優先順位モデリングのための階層的強化学習フレームワーク
• Abstract要約: 患者中心の階層的選択肢批判(FAHOC)フレームワークを提案する。 FAHOCによる約0.669(vs-0.133)のQOL改善 95.9%の症例において、協力的な患者を正しく識別し、維持検査において患者の嗜好に反することはない。
• 参考スコア（独自算出の注目度）: 0.858432556350874
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Patient preference, defined as a patient's demonstrated willingness and capacity to adhere to clinical recommendations, is a primary determinant of therapeutic effect yet remains structurally absent from existing computational treatment planning models. We address this gap by presenting patient-centered factored-action hierarchical option-critic (FAHOC), a hierarchical reinforcement learning (HRL) framework that jointly learns high-level options corresponding to therapeutic strategies and factored intra-option policies that decompose the joint action space into disease- and intervention-specific subcomponents, while imposing a cooperation-aware action masking mechanism. This enables structured exploration, improved credit assignment across hierarchy levels, and more interpretable decision pathways, while enforcing patients' preferences. Formal guarantees establish that cooperative patients achieve higher optimal expected health outcomes than non-cooperative patients, and that the factored Q-function approximation error is provably bounded. The framework is evaluated using longitudinal data collected from approximately 50,000 comorbid hypertension and type 2 diabetes mellitus patients from five hospitals in the Southeast U.S. FAHOC achieves a quality-adjusted life year expectancy equivalent improvement of 0.669 (vs -0.133 observed clinician practice), correctly identifies cooperative patients in 95.9% of cases and never violates a patient's preference in held-out test, demonstrating that HRL with explicit preference constraints can support preference-consistent, clinically safe decision-making in multimorbidity management.
• Abstract（参考訳）: 患者嗜好は、患者が臨床勧告に従う意思と能力を示すものとして定義され、治療効果の主要な決定要因であるが、既存の計算処理計画モデルでは構造的に欠落している。 このギャップに対処するために、患者中心のファクター・アクション・階層的オプション批判(FAHOC)、治療戦略に対応する高レベルオプションを共同学習する階層的強化学習(HRL)フレームワーク、および共同行動空間を疾患および介入特異的サブコンポーネントに分解するファクター内ポリシーを提示し、協調型アクションマスキング機構を導入する。 これにより、患者の嗜好を強制しながら、構造化された探索、階層レベルの信用割当の改善、より解釈可能な意思決定経路が可能になる。 形式的保証は、非協力的な患者よりも、より望ましい健康結果が得られること、Q-関数近似誤差が証明可能バウンドであることを保証する。 この枠組みは、米国南東部の5つの病院の約5万のコンコービッド高血圧症および2型糖尿病患者から収集された縦断的データを用いて評価される。FAHOCは、品質調整後の平均寿命を0.669(vs -0.133)と同等に改善し、95.9%の症例で協調患者を正しく識別し、患者の持久テストにおける嗜好に反することはない。

関連論文リスト

• Learning from Disagreement: Clinician Overrides as Implicit Preference Signals for Clinical AI in Value-Based Care [4.772536418776007]
  3つのコントリビューションで標準選好学習を拡張したフォーマルなフレームワークを提案する。 結果に基づく支払い契約に基づく慢性的な疾患管理は、一意に有利な特性を持つデータをオーバーライドすると主張している。
  論文  参考訳（メタデータ） (2026-04-30T15:30:47Z)
• Outpatient Appointment Scheduling Optimization with a Genetic Algorithm Approach [0.19575541492160772]
  本研究では,医療行為のスケジューリングの自動化を目的とした遺伝的アルゴリズムフレームワークの提案と評価を行う。 また,50の医療行為を含む合成データセットを用いて,決定論的ファースト・コーム,ファースト・サーブド(F),ランダム・チョイス(Random Choice)の2つのGA変種を比較した。
  論文  参考訳（メタデータ） (2026-02-25T15:15:57Z)
• A Hybrid Enumeration Framework for Optimal Counterfactual Generation in Post-Acute COVID-19 Heart Failure [1.9794615806637272]
  本稿では,個別化リスク推定と介入分析のための非現実的推論フレームワークを提案する。 このフレームワークは、厳密な列挙と最適化に基づく手法(NICE(Nearest Instance Counterfactual Explanations)やMOC(Multi-Objective Counterfactuals)アルゴリズムなど)を組み合わせる。
  論文  参考訳（メタデータ） (2025-10-21T17:35:12Z)
• Distribution-Free Uncertainty Quantification in Mechanical Ventilation Treatment: A Conformal Deep Q-Learning Framework [2.5070297884580874]
  本研究では,集中治療室における機械的換気を最適化するための,分布自由な共形深度Q-ラーニング手法であるConformalDQNを紹介する。 我々はMIMIC-IVデータベースからICU患者記録を用いてモデルを訓練・評価した。
  論文  参考訳（メタデータ） (2024-12-17T06:55:20Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Towards Fair Patient-Trial Matching via Patient-Criterion Level Fairness Constraint [50.35075018041199]
  本研究は,患者基準値の公正度制約を発生させることにより,公正な患者間マッチングの枠組みを提案する。 実世界における患者基準と患者基準の整合性に関する実験結果から,提案手法が偏りやすい予測を効果的に緩和できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T03:59:19Z)
• 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)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• 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。