一种面向公共卫生决策分析的多智能体强化学习框架
人工智能
2026-04-07 v3 机器学习
多智能体系统
摘要
人类免疫缺陷病毒（HIV）是美国（U.S.）一项重大公共卫生问题，约 120 万人携带该病毒，每年新感染约 35,000 人。美国各地 HIV 负担与医疗可及性存在显著地域差异。美国卫生与公众服务部的“终结 HIV 流行（EHE）”倡议旨在通过提升诊断、治疗与预防干预覆盖率，并优先关注高流行地区，到 2030 年将新感染减少 90%。我们开发智能决策支持系统以优化资源配置与干预策略。现有决策分析模型或聚焦单个城市，或聚合全国数据，未能捕捉对优化干预策略至关重要的辖区交互。为此，我们提出一种多智能体强化学习（MARL）框架，在实现辖区特定决策的同时考量跨辖区流行病学交互。我们的框架充当智能资源优化系统，帮助政策制定者基于动态、数据驱动的洞察策略性配置干预。在加利福尼亚与佛罗里达多辖区的实验结果表明，在固定预算约束下，MARL 驱动的策略优于传统单智能体强化学习方法，降低了新感染数。我们的研究凸显了在大规模公共倡议决策框架中纳入辖区依赖的重要性。通过整合多智能体智能系统、决策分析与强化学习，本研究推进了面向政府资源规划与公共卫生管理的专家系统，为医疗政策与流行病管理的更广泛应用提供了可扩展框架。
引用
@article{arxiv.2311.00855,
title = {A Multi-Agent Reinforcement Learning Framework for Public Health Decision Analysis},
author = {Dinesh Sharma and Ankit Shah and Chaitra Gopalappa},
journal= {arXiv preprint arXiv:2311.00855},
year = {2026}
}
备注
Updated to the accepted version published in Healthcare Analytics (November 2025)