使用线下强化学习进行冠状动脉疾病治疗的个性化决策

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 阻塞性冠状动脉疾病 (CAD) 的最佳再血管化策略对于个体患者来说很难确定.
• 现有的随机对照试验提供了人口层面的数据,但缺乏个性化的决策洞察力.
• 阻塞性CAD的个性化治疗决策需要先进的分析方法.

研究的目的:

• 应用政策之外的强化学习 (RL) 来优化阻塞性冠状动脉疾病 (CAD) 的治疗策略.
• 开发和评估可解释的基于RL的临床决策支持工具 (RL4CAD),用于个性化CAD治疗.
• 为了比较RL引导的治疗决策与基于医生的决策的有效性.

主要方法:

• 利用了来自41,328名血管学确认阻塞性CAD患者的复合数据模型.
• 应用非政策强化学习 (RL) 以在线环境中估计最佳治疗政策.
• 使用加权重要性抽样评估RL政策,并评估与临床实践模型的兼容性.

主要成果:

• 与基于医生的决策相比,RL指导的治疗决策表现优越.
• 根据综合主要心血管事件,RL政策在预期奖励方面实现了高达32%的改善.
• 制定了一个可解释的RL政策,与当地临床实践相兼容,具有有限的州代表.

结论:

• 基于RL的临床决策支持工具RL4CAD显示了优化阻塞性CAD患者护理的巨大潜力.
• RL提供数据驱动的方法来个性化复血管化策略,改善患者的治疗结果.
• 这种人工智能工具可以增强对侵袭性冠状动脉血管学转诊的临床决策.