学习动态匹配的势函数及其在心脏移植中的应用

每年，数千名需要心脏移植的患者因器官稀缺而面临危及生命的等待时间。虽然分配政策旨在最大化人群层面的结果，但当前的方法往往未能考虑器官的动态到达和候补名单候选人的构成，从而阻碍了效率。美国正在从僵化的、基于规则的分配转向更灵活的数据驱动模型。在本文中，我们提出了一种新颖的框架，用于一般在线匹配中的非短视策略优化，该框架依赖于势函数，这一概念最初是为肾脏交换引入的。我们开发了可扩展且准确的方法来学习比先前方法维度更高、表达力更强的势函数。我们的方法是一种自监督模仿学习形式：势函数被训练来模仿具有完美预见力的全知算法。我们专注于心脏移植分配的应用，并使用真实历史数据证明，我们的策略在优化人群层面结果方面显著优于先前的方法——包括美国当前现状政策和提出的连续分布框架。我们的分析和方法的提出正值美国政策的关键时刻，因为当前的心脏移植分配系统正在审查中。我们提出了一条可扩展且具有理论基础的路径，以实现更有效的器官分配。