监测临床试验中在线强化学习算法的保真度
机器学习
2024-08-13 v2 人工智能
计算机与社会
摘要
在线强化学习（RL）算法在为临床试验参与者个性化治疗方面展现出巨大潜力。然而，在高风险的医疗环境中部署在线自主算法，使得质量控制和数据质量尤其难以实现。本文提出算法保真度（algorithm fidelity）是在临床试验中部署在线 RL 算法的关键要求。它强调了算法有责任（1）保护参与者安全，以及（2）保持数据的科学效用以供试验后分析。我们还提出了一个框架，用于部署前规划和实时监测，以帮助算法开发者和临床研究人员确保算法保真度。为了说明我们框架的实际应用，我们展示了来自 Oralytics 临床试验的真实案例。自 2023 年春季以来，该试验成功部署了一种自主在线 RL 算法，为有牙科疾病风险的参与者个性化行为干预。
引用
@article{arxiv.2402.17003,
title = {Monitoring Fidelity of Online Reinforcement Learning Algorithms in Clinical Trials},
author = {Anna L. Trella and Kelly W. Zhang and Inbal Nahum-Shani and Vivek Shetty and Iris Yan and Finale Doshi-Velez and Susan A. Murphy},
journal= {arXiv preprint arXiv:2402.17003},
year = {2024}
}