用于资源分配的机器学习可解释方法及其在呼吸机分诊中的应用
机器学习
2024-11-12 v2 计算机与社会
摘要
在疫情、自然灾害或大规模伤亡事件中，医疗资源的配给是政策制定者和医疗机构可能被迫做出的艰难决策。旨在分诊稀缺救生资源的明确定义指南必须以促进透明、信任和一致性来设计。为在高压力情境下促成采纳与使用，这些指南需要具备可解释性与可操作性。我们提出了一种新颖的数据驱动模型，基于马尔可夫决策过程（Markov Decision Process）的策略计算可解释的分诊指南，该策略可表示为简单的决策树序列（“树策略”）。具体而言，我们刻画了最优树策略的性质，并提出了一种基于动态规划递归的算法来计算良好的树策略。我们利用该方法，基于 Montefiore 医院的真实患者数据，获得了针对 COVID-19 患者的简单且新颖的呼吸机分配分诊指南。我们还将我们的指南与纽约州于 2015 年（远在 COVID-19 疫情之前）制定的官方指南进行了性能比较。我们的实证研究表明，使用我们的策略可显著减少与呼吸机短缺相关的超额死亡人数。我们的工作凸显了现有官方分诊指南的局限性，这些指南在成功部署之前需要针对 COVID-19 进行专门调整。
引用
@article{arxiv.2110.10994,
title = {Interpretable Machine Learning for Resource Allocation with Application to Ventilator Triage},
author = {Julien Grand-Clément and You Hui Goh and Carri Chan and Vineet Goyal and Elizabeth Chuang},
journal= {arXiv preprint arXiv:2110.10994},
year = {2024}
}