面向卫生供应链优化的决策感知学习

我们研究发展中国家（特别是塞拉利昂）医疗资源配置有限的问题。我们通过结合机器学习（预测需求）与优化（优化分配）来解决该问题。一个关键挑战在于，需要将用于训练机器学习模型的损失函数与下游优化问题相关的决策损失相对齐。传统解决方案在模型架构上灵活性有限，且难以扩展到大型数据集。我们提出一种决策感知学习算法，该算法利用对最优决策损失的新型泰勒展开来推导机器学习损失。重要的是，我们的方法仅需对训练数据进行简单重加权，从而确保其灵活且可扩展，例如我们将其纳入使用多任务学习框架训练的随机森林中。我们与塞拉利昂的政策制定者合作，将我们的框架应用于优化基本药物的分发；当前高度不确定的需求与有限的预算导致过高的未满足需求。样本外结果表明，我们的端到端方法能够显著减少塞拉利昂全境 1040 个卫生机构的未满足需求。