基于代理贝叶斯模型规划可操作治疗过程的健康改善框架
机器学习
2021-06-09 v2 人工智能
机器学习
摘要
基于个人特征的治疗临床决策可带来有效的健康改善。机器学习（ML）一直是依据全面患者信息进行诊断支持的主要关注点。然而，剩余的突出问题是临床情境中客观治疗过程的开发。本研究提出一种以数据驱动方式规划治疗过程的新框架。该框架的一个关键点是通过使用代理贝叶斯模型以及高性能非线性 ML 模型，评估个人健康改善的“可操作性”。我们首先使用合成数据集从方法论角度评估了该框架。随后，将框架应用于包含 3,132 名参与者数据的实际健康体检数据集，以在个体层面改善收缩压值。我们确认所计算的治疗过程是可操作的，且与降低血压的临床知识一致。这些结果表明，我们的框架可有助于医疗领域的决策，为临床医生提供更深入的见解。
引用
@article{arxiv.2010.16087,
title = {Health improvement framework for planning actionable treatment process using surrogate Bayesian model},
author = {Kazuki Nakamura and Ryosuke Kojima and Eiichiro Uchino and Koichi Murashita and Ken Itoh and Shigeyuki Nakaji and Yasushi Okuno},
journal= {arXiv preprint arXiv:2010.16087},
year = {2021}
}