Un robusto algoritmo de efectos mixtos para evaluar las intervenciones de salud móviles

Área de la Ciencia:

• Ciencias de la computación
• Aprendizaje automático
• Informática de la salud

Sus antecedentes:

• La salud móvil (mHealth) utiliza intervenciones personalizadas optimizadas por bandidos y aprendizaje por refuerzo.
• Los desafíos en mHealth incluyen la heterogeneidad de los participantes, la no estacionalidad y las recompensas no lineales, que limitan la eficacia del algoritmo.

Objetivo del estudio:

• Proponer un algoritmo robusto de bandido contextual, DML-TS-NNR, diseñado para superar los desafíos clave en la optimización de la intervención de salud móvil.
• Mejorar el rendimiento de las intervenciones personalizadas y adaptadas al contexto en las aplicaciones móviles de salud.

Principales métodos:

• El algoritmo DML-TS-NNR modela las recompensas diferenciales utilizando parámetros específicos del usuario y del tiempo.
• Incorpora sanciones de cohesión de la red y aprendizaje automático basado en datos para una estimación flexible de la recompensa de referencia.
• Se establece un arrepentimiento de alta probabilidad, dependiendo de la dimensión del modelo de recompensa diferencial.

Principales resultados:

• El algoritmo alcanza límites de arrepentimiento robustos, incluso con estructuras de recompensa de línea de base complejas.
• El rendimiento superior de DML-TS-NNR se demostró a través de simulaciones.
• La eficacia del algoritmo se validó aún más en dos estudios de evaluación fuera de la política.

Conclusiones:

• DML-TS-NNR ofrece una solución robusta para optimizar las intervenciones de mHealth al manejar efectivamente la heterogeneidad de los participantes y las dinámicas de recompensa complejas.
• El método propuesto proporciona un marco flexible y potente para el avance de estrategias de salud móvil personalizadas.
• El rendimiento del algoritmo destaca su potencial para la aplicación en el mundo real en sistemas de salud móvil adaptativos.