面向稳健估计时依赖干预结果的结构化混合机械模型

估计动力系统中的干预效应对于结果优化至关重要。在医学领域，这类干预体现在生理调节（例如液体 administration 对心血管系统的影响）和药代动力学等方面。苏妥控制一种麻醉干预，挑战在于根据患者特征估计达到特定脑浓度所需的最佳剂量，同时避免过量或不足。药代动力学状态由药物在不同组织中的浓度特征，动力学由先前状态、患者协变量、药物清除率和药物给药决定。虽然数据驱动模型能捕捉复杂动力学，但在超出分布（OOD）情境下常常失效。相比之下，机械模型通常稳健但可能过于简化。我们提出一种混合机械-数据驱动方法，用于估计时依赖的干预结果。该方法将动力系统的转移算子分解为参数化和非参数化成分，进一步区分为与干预相关和不相关的动力学。该结构在机械锚点上发挥作用，同时从数据中学习残差模式。对于机械参数未知的情形，引入两阶段程序：首先在模拟数据上预训练编码器，随后从观测数据中学习校正。考虑两种机械知识不完整的情形：周期摆动和苏妥给药注射。结果表明，混合方法在纯数据驱动和机械方法之外，尤其在 OOD 情境下表现更佳。这一工作凸显了混合机械-数据驱动模型在复杂真实动力系统中实现稳健干预优化的潜力。