基于临床医生信息表示学习可解释治疗政策：一种实用方法
机器学习
2025-12-23 v1 人工智能
应用统计
机器学习
摘要
数字健康干预（Digital health interventions, DHIs）和远程患者监测（Remote patient monitoring, RPM）在通过个性化护理改善慢性病管理方面显示出巨大的潜力。然而，现有 DHIs 的有效性受限和工作量担忧阻碍了其采纳；而纯粹基于黑箱算法的 DHIs 由于样本量有限和缺乏可解释性，效果和采纳性也受到限制。本文通过开发一种用于学习 RPM 启用 DHIs 可解释治疗政策的管道来应对这些挑战。我们在 RPM 使用 DHI 改善青少年1型糖尿病血糖控制的真实场景中应用了我们的方法。我们的主要贡献在于揭示了临床领域知识在开发有效、高效和可解释目标化政策中至关重要。我们观察到，基于临床医生信息表示学习的政策在有效性和效率上显著优于基于黑箱表示学习的政策。这一工作强调了在现实世界中开发有效 DHIs 对 ML 研究者与临床医生合作的重要性。
引用
@article{arxiv.2411.17570,
title = {Learning Explainable Treatment Policies with Clinician-Informed Representations: A Practical Approach},
author = {Johannes O. Ferstad and Emily B. Fox and David Scheinker and Ramesh Johari},
journal= {arXiv preprint arXiv:2411.17570},
year = {2025}
}
备注
Proceedings of Machine Learning for Health (ML4H) 2024. Code available at: https://github.com/jferstad/ml4h-explainable-policies