RL4health：用于膝关节置换路径优化的众包强化学习
机器学习
2019-06-05 v1 人工智能
机器学习
摘要
关节置换是美国最常见的住院外科治疗。我们研究膝关节置换的临床路径优化，这是一个从发病到恢复的序贯决策过程。基于既往病例的 episodic claims（阶段性理赔数据），我们将路径优化视为一个智能众包问题，并通过在每个中间状态模仿最佳专家从数据中学习最优决策策略。我们开发了一个基于强化学习的流程，使用值迭代、状态压缩与聚合学习、核表示和交叉验证来预测最佳治疗策略。它还提供在优化策略下的临床路径预测。实证验证表明，优化策略使总体成本降低 7%，并使过高成本溢价降低 33%。
引用
@article{arxiv.1906.01407,
title = {RL4health: Crowdsourcing Reinforcement Learning for Knee Replacement Pathway Optimization},
author = {Hao Lu and Mengdi Wang},
journal= {arXiv preprint arXiv:1906.01407},
year = {2019}
}