在结果完全可观测的多目标设定下的治疗策略学习
机器学习
2020-08-14 v2 机器学习
摘要
在若干医疗决策问题中，例如抗生素处方，实验室检查可精确指示患者将如何响应不同治疗选项。这使我们能够“完全观测”所有潜在治疗结果，但尽管这些结果存在于历史数据中，在初始治疗决策时实时产生它们并不可行。此外，这些设定下的治疗策略通常需要在多个竞争目标之间权衡，例如治疗的有效性和有害副作用。我们提出、比较并评估了三种在该设定下学习个体化治疗策略的方法：首先，我们考虑两种间接方法，它们使用治疗响应的预测模型来构建对不同目标间权衡最优的策略。其次，我们考虑一种直接方法，无需中间结果模型即可构建这样一组策略。使用尿路感染(UTI)患者的医疗数据集，我们表明所有方法学到的策略在所有结果上都严格优于临床医生，同时也能在不同目标间权衡。我们展示了直接方法的额外优势，包括灵活纳入其他目标，例如对简单病例 defer 给医生。
引用
@article{arxiv.2006.00927,
title = {Treatment Policy Learning in Multiobjective Settings with Fully Observed Outcomes},
author = {Soorajnath Boominathan and Michael Oberst and Helen Zhou and Sanjat Kanjilal and David Sontag},
journal= {arXiv preprint arXiv:2006.00927},
year = {2020}
}
备注
To appear at KDD'20