面向数据挖掘的神经 Bandit：搜寻危险多重用药
机器学习
2023-04-06 v3
摘要
多重用药，最常定义为同时服用五种及以上药物，在老年人群中是一种普遍现象。其中一些被视为不适当的多重用药可能与死亡或住院等不良健康结局相关。考虑到该问题的组合性质、理赔数据库的规模以及计算给定药物组合精确关联度量的成本，不可能调查每一种可能的药物组合。因此，我们提出优化对潜在不适当多重用药（PIPs）的搜索。为此，我们提出基于 Neural Thompson Sampling 与差分进化的 OptimNeuralTS 策略，以高效挖掘理赔数据集并构建药物组合与健康结局间关联的预测模型。我们使用由内部开发的多重用药数据模拟器生成的两个数据集（含 500 种药物与 100 000 种不同组合）对方法进行了基准测试。实证上，我们的方法在使用 30 000 时间步的情况下可检测出多达 72% 的 PIPs，同时保持 99% 的平均精度得分。
引用
@article{arxiv.2212.05190,
title = {Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy},
author = {Alexandre Larouche and Audrey Durand and Richard Khoury and Caroline Sirois},
journal= {arXiv preprint arXiv:2212.05190},
year = {2023}
}
备注
This article is presented at the W3PHIAI-23 workshop at AAAI-2023