一个直观的模糊的自动化谈判模型,用于个性化和高效的共享决策

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 决策科学 决策科学 决策科学

背景情况:

• 共享决策 (SDM) 将患者的偏好与医学专业知识相结合,以提高患者的参与度和满意度.
• 目前的SDM工具与复杂的医疗信息,模糊的患者偏好和不确定的结果扎,导致漫长的谈判.
• 现有的模型往往无法同时解决医疗保健决策中的这些多方面的挑战.

研究的目的:

• 引入基于直觉模糊集 (AN-IFF) 的新型基于代理的自动谈判模型,以克服SDM的挑战.
• 提高共享决策中谈判过程的效率和有效性.
• 模拟多样化的决策行为,改善患者与提供者互动的结果.

主要方法:

• 开发了一个基于代理的自动谈判模型 (AN-IFF),利用直觉模糊集和模糊推理系统来处理不确定性.
• 整合了一个时间折扣机制,用于动态调整特许经营战略和生成最佳反报价.
• 整合了三个不同的谈判策略,在模糊模型框架内模拟乐观,平衡和悲观的决策者个性.

主要成果:

• 在共享决策背景下,AN-IFF有效地模拟了特许权行为中的个性驱动差异.
• 与基线方法相比,该模型在联合满意度和公平性方面取得了显著的改善.
• AN-IFF减少了谈判轮次的数量,表明决策过程的效率提高.

结论:

• 在共享决策中,AN-IFF模型为管理不确定性和各种行为提供了一个强大的解决方案.
• 这种方法提高了谈判结果,导致更高的患者满意度和更公平的协议.
• 在利用人工智能优化医疗保健决策流程方面,AN-IFF代表了重大进展.