面向可解释临床政策模型的历史表示方式
机器学习
2024-12-12 v1 人工智能
应用统计
摘要
基于观察数据对序列临床决策进行建模对于描述治疗实践、标准化治疗中的常见模式以及评估替代政策有用。对于每个任务，政策模型都必须是可解释的。学习准确的模型需要有效地捕获患者状态，或通过序列表示学习或仔细精心制作的医学历史摘要。虽然最近的工作倾向于前者，但如何为可解释政策建模的最佳表示历史仍是一个问题。我们专注于模型拟合，系统比较了多种总结患者历史的方法，用于可解释建模的临床政策跨四个序列决策任务。我们通过按患者子群、关键状态和治疗阶段细分评估，说明了使用各种表示所学习的政策之间的差异，突出了特定常见用例的挑战。我们发现，使用学习表示的可解释序列模型在所有任务上都与黑箱模型相当。使用手工制作的表示的可解释模型在完全忽略历史的情况下表现 substantially 更差，但通过仅包含患者历史的少数聚合和最近元素后，表现变得竞争。使用更丰富表示的额外收益在子群和特定用例中尤为显著。这强调了在其既定用途的上下文中评估政策模型的重要性。
引用
@article{arxiv.2412.07895,
title = {How Should We Represent History in Interpretable Models of Clinical Policies?},
author = {Anton Matsson and Lena Stempfle and Yaochen Rao and Zachary R. Margolin and Heather J. Litman and Fredrik D. Johansson},
journal= {arXiv preprint arXiv:2412.07895},
year = {2024}
}