一个联合的学习框架,以在异质的医院之间进行道德动态的治疗分配
Xenia Konti1, Nicoleta J Economou-Zavlanos2, Yi Shen3
1Dept. of Computer Science, Duke University, USA.
这项研究引入了一个适应性联合学习框架,用于个性化医院治疗,提高效率和患者安全. 该方法通过从不同患者群体的协作,保护隐私的数据中学习来增强治疗分配.
科学领域:
- 机器学习 机器学习
- 医疗保健信息学 医疗保健信息学
- 临床决策支持 临床决策支持
背景情况:
- 医院经常为不同的患者群体提供服务,使通用治疗方案变得不理想.
- 现有的治疗分配方法可能无法充分解决医院间的差异或患者隐私问题.
研究的目的:
- 开发一个适应性的联合学习框架,以优化个人医院治疗.
- 提高治疗分配效率,同时确保隐私,公平和安全.
主要方法:
- 一个联合的治疗建议策略,以多人武装强盗 (MAB) 问题形式制定.
- 一个主导医院协调自适应性学习,并转移上限信心 (UCB) 和个性化上限.
- 在模拟临床试验中使用真实COVID-19数据验证的方法.
主要成果:
- 协作学习减少了每个机构所需的数据样本,同时保持了患者的隐私.
- 通过减轻不同患者群体的偏见来确保公平.
- 通过最大限度地减少低于最佳的治疗给药,提高了安全性.
- 超越了最先进的技术,需要36%-75%的数据少,并为0.95%-48.6%的患者提供最佳治疗.
结论:
- 适应式联合学习策略有效地为个别医院推最佳治疗方法.
- 该框架涉及不同质的医疗保健环境中的隐私,公平和安全.
更多相关视频
08:25Development of Heterogeneous Enantioselective Catalysts using Chiral Metal-Organic Frameworks MOFs
Published on: January 17, 2020
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
相关概念视频
06:19Constructing and Visualizing Models using Mime-based Machine-learning Framework
08:25Development of Heterogeneous Enantioselective Catalysts using Chiral Metal-Organic Frameworks (MOFs)
Hospitals-II
Nurses that work in...
Ethics in Research
Hospitals-I
07:12A Gaze-Contingent Display Framework for Perceptual Learning Research with Simulated Central Vision Loss
