.png){kind=icon}
返回
Dynamic Decision Making With Individualized Variable Selection
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2025.2555060.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当今医生拥有多种用于诊断和预测医疗状况的测试手段。理想情况下，他们会使用包含所有相关特征的高质量预测模型以促进恰当的决策（如治疗选择、风险评估）。然而，部分特征会带来额外成本，且并非对医患双方都易于获取。实践中，预测因子通常是按顺序逐步收集的，即医生会持续动态评估信息，直至获得足够信息以做出合理有信心的决策。更重要的是，需要收集的预测信息可能因患者而异，并取决于已知的预测因子值。本文设计了一种新的自适应预测规则，用于确定在预测感兴趣的临床结果时获取特征的优化顺序。目标是最大化预测精度，同时最小化测量特征对个体患者产生的成本。为此，我们采用强化学习，其中智能体在每个步骤决定最佳行动：要么做出最终临床决策，要么根据当前知识状态继续收集新的预测因子。已进行大量模拟研究以评估所提策略的有效性。此外，提供了实际案例以说明其实用性。本文的补充材料可在网上获取，包括可重现工作的标准化材料描述。
Keyword:
Individualized variable selection
Precision medicine
Q-learning
Reinforcement learning
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.9W
机构
引用论文
Can machine-learning improve cardiovascular risk prediction using routine clinical data?.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Narrative review: Assessment of C-reactive protein in risk prediction for cardiovascular disease
PREAI
分享收藏分享收藏A Simple Method for Estimating Interactions Between a Treatment and a Large Number of Covariates一种用于估计治疗与大量协变量之间相互作用的简单方法OAAI
OAAI分享收藏分享收藏分享收藏Q- and A-Learning Methods for Estimating Optimal Dynamic Treatment Regimes用于估计最佳动态治疗方案的Q和A学习方法STATISTICAL SCIENCEOAAI
STATISTICAL SCIENCEIF3.4
OAAI分享收藏
查看更多内容