超越准确性：面向资源受限环境的分配感知医疗 AI 的决策理论框架

Rifa Ferzana

超越准确性：面向资源受限环境的分配感知医疗 AI 的决策理论框架

人工智能 2026-01-13 v1

作者: Rifa Ferzana

摘要

人工智能（AI）系统在医疗保健领域正在实现专家水平的预测准确性，但模型性能的改进常常未能在患者结果上产生相应的提升。我们将这种脱节称为分配差距，并通过将医疗 delivery 模型为受约束资源的随机分配问题来提供决策理论解释。在此框架中，AI 充当估计效用而非自主决策的决策基础设施。使用受约束的优化和马尔可夫决策过程，我们展示了改进的估计如何影响稀缺资源下的最优分配。一个合成的 triage 仿真演示了，即使在预测准确性相同的情况下，分配感知的政策在实现的效用上显著优于风险阈值方法。该框架为在资源受限环境中评估和部署医疗 AI 提供了原则性的依据。

关键词

医疗 AI 决策理论资源分配分配差距马尔可夫决策过程

引用

@article{arxiv.2601.06161,
  title  = {Beyond Accuracy: A Decision-Theoretic Framework for Allocation-Aware Healthcare AI},
  author = {Rifa Ferzana},
  journal= {arXiv preprint arXiv:2601.06161},
  year   = {2026}
}

备注

11 pages, 3 figures, PDF-only submission. This work introduces a decision-theoretic framework to bridge the gap between predictive accuracy and clinical impact in healthcare AI. Includes synthetic simulation results

超越准确性：面向资源受限环境的分配感知医疗 AI 的决策理论框架

摘要

关键词

引用

备注

相关论文