面向内生从属的在线学习：优化数字疗法干预
机器学习
2026-05-26 v1 系统与控制
系统与控制
摘要
临床医生在有限信息和资源下维持患者长期健康是一个关键挑战。数字疗法(DTs)通过重复互动(如每日治疗建议)以成本效益高的方式在规模上管理干预，但患者成功高度依赖于其从属。行为心理学表明，治疗建议和过去的从属都影响未来的从属，但现有的决策支持框架仅建模建议效果或将从属视为外生情境，留下了模型和算法开发的关键缺口。为此，我们提出了一种捕获建议和从属效应的DT决策支持框架，使医生能够更好地规划治疗建议。我们使用线性动力系统(LDS)建模患者随时间变化的参与能力，捕获建议和从属效应，并通过logit链接函数与从属行为内生关联。我们建立了有限时间识别保证，将LDS结果推广到本研究情境。接下来，我们提出一种乐观主义算法UCB-BOLD，用于在线治疗选择并证明其实现亚线性后悔。我们通过在合成患者队列上的消除研究评估UCB-BOLD，合成队列基于微随机试验数据生成。DT决策支持工具可包括动力学模型，以高效地利用DT环境中的数据，提高患者健康通过有效的资源分配。虽然某些患者类型的浅层或启发式方法足够，但围绕建议和从属效应的显式规划优势对其他患者类型至关重要；UCB-BOLD实现的条件价值风险(CVaR)后悔比最佳基准低2-3倍。
引用
@article{arxiv.2605.24261,
title = {Optimizing Digital Therapeutic Interventions: Online Learning under Endogenous Adherence},
author = {Eric Pulick and Stephanie Carpenter and Matthew Buman and Yonatan Mintz},
journal= {arXiv preprint arXiv:2605.24261},
year = {2026}
}
备注
48 pages, 6 figures