基于电子健康记录的个性化诊断决策路径的深度强化学习：贫血与系统性红斑狼疮的对比研究
机器学习
2024-04-10 v1 人工智能
摘要
背景：临床诊断通常遵循专家学会制定的指南所推荐的系列步骤。因此，指南在合理化临床决策中起着关键作用，但存在局限性，因为它们旨在覆盖大多数人群，无法覆盖罕见病患者。此外，指南的更新漫长且昂贵，使其不适用于新兴疾病和实践。方法：受指南启发，我们将诊断任务表述为序贯决策问题，并研究使用深度强化学习（DRL）算法从电子健康记录（EHR）中学习执行正确诊断所需的最优动作序列。我们在合成但逼真的EHR上应用DRL，并开发了两个临床用例：贫血诊断（决策路径遵循决策树模式）和系统性红斑狼疮（SLE）诊断（遵循加权标准评分）。我们特别评估了方法对噪声和缺失数据的鲁棒性，因为这些在EHR中经常出现。结果：在两个用例中，以及在存在不完美数据的情况下，我们最好的DRL算法与传统分类器相比表现出有竞争力的性能，额外优势是它们能够逐步生成通往建议诊断的路径，这既可以指导又可以解释决策过程。结论：DRL提供了学习个性化诊断决策路径的机会。我们通过两个用例说明了它们的优势：它们生成逐步的、自解释的路径；其正确性与最先进方法相比具有竞争力。
引用
@article{arxiv.2404.05913,
title = {Deep Reinforcement Learning for Personalized Diagnostic Decision Pathways Using Electronic Health Records: A Comparative Study on Anemia and Systemic Lupus Erythematosus},
author = {Lillian Muyama and Antoine Neuraz and Adrien Coulet},
journal= {arXiv preprint arXiv:2404.05913},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2305.06295