利用数字依从性数据学习为结核病患者开具干预处方
机器学习
2020-01-03 v3 计算机与社会
机器学习
摘要
数字依从性技术(DATs)是一种日益流行的方法,用于核实患者对多种药物的依从性。我们分析了来自印度 99DOTS 的数据,99DOTS 是一种基于电话呼叫的 DAT,部署于结核病(TB)治疗,印度每年有近 300 万人罹患该病。该数据包含近 17,000 名患者和 210 万条服药记录。我们为从这一真实世界数据中学习奠定基础,包括一种避免训练数据中未观测干预对机器学习产生影响的方法。随后我们构建了一个深度学习模型,展示了其可解释性,并说明如何在不同临床场景中调整与训练该模型,以更好地定向和改善患者护理。在实时风险预测设定下,我们的模型可主动干预比当前启发式基线多 21% 的患者,并在多 76% 的漏服剂量之前进行干预。对于结局预测,我们的模型比基线方法性能好 40%,使城市能够将更多资源定向到失败风险患者负担较重的诊所。最后,我们展示了一个案例研究,说明我们的模型如何在端到端决策聚焦学习设定下训练,以在卫生工作者面临的示例决策问题中实现 15% 更好的解质量。
引用
@article{arxiv.1902.01506,
title = {Learning to Prescribe Interventions for Tuberculosis Patients Using Digital Adherence Data},
author = {Jackson A. Killian and Bryan Wilder and Amit Sharma and Daksha Shah and Vinod Choudhary and Bistra Dilkina and Milind Tambe},
journal= {arXiv preprint arXiv:1902.01506},
year = {2020}
}
备注
10 pages, 6 figures