異なる病院間での倫理的な動的治療割り当てのための連合学習フレームワーク

科学分野:

• 機械学習
• ヘルスケアインフォマティクス
• 臨床意思決定支援

背景:

• 病院はしばしば多様な患者集団にサービスを提供しており、普遍的な治療プロトコルは最適ではありません。
• 既存の治療割り当て方法は、病院間の変動や患者のプライバシーに関する懸念に適切に対処していない可能性があります。

研究 の 目的:

• 個々の病院の治療を最適化するための適応型連合学習フレームワークを開発すること。
• プライバシー、公平性、安全性を確保しながら、治療割り当ての効率を向上させること。

主な方法:

• 多腕バンディット（MAB）問題として定式化された連合治療推奨戦略。
• リード病院が適応型学習を調整し、上限信頼区間（UCB）と個人上限信頼区間を転送します。
• この方法は、実際のCOVID-19データを使用したシミュレーション臨床試験で検証されました。

主要な成果:

• 共同学習は、患者のプライバシーを保護しながら、各施設で必要とされるデータサンプルを削減します。
• 異なる患者集団からのバイアスを軽減することにより、公平性が確保されます。
• 最適ではない治療法の投与を最小限に抑えることにより、安全性が向上しました。
• 最先端技術を上回り、36%-75%少ないデータを必要とし、0.95%-48.6%多くの患者に最適な治療法を投与します。

結論:

• 適応型連合学習戦略は、個々の病院に最適な治療法を効果的に推奨します。
• このフレームワークは、異種医療設定におけるプライバシー、公平性、安全性の問題に対処します。