Relative Sparsity for Medical Decision Problems

要約

タイトル：医療判断問題の相対疎度
要約：

– 統計的手法を用いて、特徴量と処置のマッピングである方針を推定することで、医療従事者に指導することができるが、その方法に興味がある。
– 医療プロバイダーや患者に新しい方針がどのように従来の標準から異なるかを説明することは重要である。
– TRPO のアイデアを適応して、新しい方針と従来の標準の違いを指摘できるようにする必要がある。
– relative sparsity という概念を提唱し、その調整パラメータ $\lambda$ を使って、推奨方針と標準の対応するパラメータ（例：心拍数のみ）の数を制御できる。
– 値 $\lambda$ を選択するための基準を提案し、シミュレーションを実施し、実際の観察型医療データセットで方法を説明しました。
– この研究は、健康結果を改善するためのデータ駆動型決定支援システムの採用を促進する。

要約(オリジナル)

Existing statistical methods can estimate a policy, or a mapping from covariates to decisions, which can then instruct decision makers (e.g., whether to administer hypotension treatment based on covariates blood pressure and heart rate). There is great interest in using such data-driven policies in healthcare. However, it is often important to explain to the healthcare provider, and to the patient, how a new policy differs from the current standard of care. This end is facilitated if one can pinpoint the aspects of the policy (i.e., the parameters for blood pressure and heart rate) that change when moving from the standard of care to the new, suggested policy. To this end, we adapt ideas from Trust Region Policy Optimization (TRPO). In our work, however, unlike in TRPO, the difference between the suggested policy and standard of care is required to be sparse, aiding with interpretability. This yields “relative sparsity,’ where, as a function of a tuning parameter, $\lambda$, we can approximately control the number of parameters in our suggested policy that differ from their counterparts in the standard of care (e.g., heart rate only). We propose a criterion for selecting $\lambda$, perform simulations, and illustrate our method with a real, observational healthcare dataset, deriving a policy that is easy to explain in the context of the current standard of care. Our work promotes the adoption of data-driven decision aids, which have great potential to improve health outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI