利用V-learning估计移动健康中的动态治疗策略
机器学习
2017-10-17 v2
摘要
精准医疗的愿景是利用个体患者特征来制定个性化治疗计划，从而为每位患者带来最佳可能的医疗保健。移动技术在这一愿景中发挥着重要作用，因为它们提供了一种实时监测患者健康状况并随后在需要时才以所需剂量实施干预的手段。动态治疗策略将个体化治疗计划形式化为决策规则序列，每个临床干预阶段一条，将当前患者信息映射到推荐治疗。然而，现有的估计最优动态治疗策略的方法是为在粗时间尺度上发生的少量固定决策点设计的。我们提出了一种新的强化学习方法来估计最优治疗策略，该方法适用于在门诊环境中使用移动技术收集的数据。所提方法容纳了移动健康应用中常见的不确定时间范围和逐分钟决策。我们证明了所提估计量在温和条件下是一致且渐近正态的。所提方法被应用于估计用于控制1型糖尿病患者血糖水平的最优动态治疗策略。
引用
@article{arxiv.1611.03531,
title = {Estimating Dynamic Treatment Regimes in Mobile Health Using V-learning},
author = {Daniel J. Luckett and Eric B. Laber and Anna R. Kahkoska and David M. Maahs and Elizabeth Mayer-Davis and Michael R. Kosorok},
journal= {arXiv preprint arXiv:1611.03531},
year = {2017}
}