Deep Causal Behavioral Policy Learning: Applications to Healthcare

要約

多様な非ランダム化医療環境で動的な臨床行動体制を研究するための深い学習ベースのアプローチを提示します。
提案された方法論 – 深い因果行動政策学習（DC -BPL） – は、深い学習アルゴリズムを使用して、高次元の臨床作用パスの分布を学習し、これらのアクションパスと患者の転帰との因果関係を特定します。
具体的には、私たちのアプローチ：（1）臨床結果に対するプロバイダーの割り当ての因果的影響を特定します。
（2）特定のプロバイダーが進化する患者情報を与えられた臨床作用の分布を学習します。
（3）これらの手順を組み合わせて、特定の患者タイプの最適なプロバイダーを識別し、そのプロバイダーのケアの決定をエミュレートします。
この戦略の根底にあるのは、変圧器アーキテクチャを使用して電子健康記録データに関する大規模な臨床行動モデル（LCBM）を訓練し、臨床行動政策を推定する能力を実証します。
LCBMを使用して学んだ行動政策の新しい解釈を提案します。それは、患者の治療に使用される複雑で、しばしば暗黙の知識の効率的なエンコードであるということです。
これにより、幅広いヘルスケアアプリケーションにとって重要なポリシーのスペースを学ぶことができます。これにより、臨床知識の大部分が長年の実践を通じて暗黙のうちに獲得され、患者ケアに関連するわずかな情報のみが書き留められています（教科書、研究、標準化されたガイドラインなど）。

要約(オリジナル)

We present a deep learning-based approach to studying dynamic clinical behavioral regimes in diverse non-randomized healthcare settings. Our proposed methodology – deep causal behavioral policy learning (DC-BPL) – uses deep learning algorithms to learn the distribution of high-dimensional clinical action paths, and identifies the causal link between these action paths and patient outcomes. Specifically, our approach: (1) identifies the causal effects of provider assignment on clinical outcomes; (2) learns the distribution of clinical actions a given provider would take given evolving patient information; (3) and combines these steps to identify the optimal provider for a given patient type and emulate that provider’s care decisions. Underlying this strategy, we train a large clinical behavioral model (LCBM) on electronic health records data using a transformer architecture, and demonstrate its ability to estimate clinical behavioral policies. We propose a novel interpretation of a behavioral policy learned using the LCBM: that it is an efficient encoding of complex, often implicit, knowledge used to treat a patient. This allows us to learn a space of policies that are critical to a wide range of healthcare applications, in which the vast majority of clinical knowledge is acquired tacitly through years of practice and only a tiny fraction of information relevant to patient care is written down (e.g. in textbooks, studies or standardized guidelines).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google