模拟临床决策的人工智能框架：一种马尔可夫决策过程方法

在现代医疗体系中，成本和复杂性的迅速增加、治疗选择的日益繁多以及往往无法有效传达至一线的海量信息流，阻碍了随时间选择最优治疗决策的能力。本文的目标是开发一个通用的（非特定疾病的）计算/人工智能 (AI) 框架以应对这些挑战。该框架具有两个潜在功能：1) 用于探索各种医疗政策、支付方法等的模拟环境；2) 作为临床人工智能的基础——一种能像医生一样思考的 AI。该方法结合马尔可夫决策过程和动态决策网络，从临床数据中学习，并通过模拟替代的顺序决策路径来制定复杂计划，同时捕捉医疗体系中各组成部分之间有时冲突、有时协同的相互作用。它可以在部分可观测的环境中运行（在观测或缺失数据的情况下），通过维护关于患者健康状况的信念状态，并作为一个在线代理进行规划和重规划。该框架使用来自电子健康记录的真实患者数据进行了评估。此类 AI 框架轻松优于当前的常规治疗 (TAU) 按病例数/按服务收费的医疗模式（单位变化成本：189 美元 vs. 497 美元），同时将患者预后提高了 30-35%。微调某些模型参数可进一步增强这一优势，以大约一半的成本获得约 50% 的更多改善。鉴于精心的设计和问题表述，AI 模拟框架即使在复杂和不确定的环境中也能近似最优决策。未来的工作概述了潜在的研究方向以及机器学习算法在个性化医疗中的整合。