0-1神经网络在观察数据的规范性问题中的医疗保健应用

科学领域:

• 人工智能在医学中的应用
• 机器学习用于医疗保健
• 个性化医疗是个性化的医疗.

背景情况:

• 使用有限的观察数据做出医疗决策是具有挑战性的,特别是在个性化医疗保健中.
• 现有的模型难以平衡可解释性和政策复杂性.
• 患者特征,治疗方法和结果之间的复杂关系需要先进的建模.

研究的目的:

• 引入规范性神经网络 (PNN) 以优化中介数据设置中的治疗策略.
• 与深度神经网络和决策树相比,提高解释性和政策复杂性.
• 评估PNN在合成和现实世界医疗保健数据中的现有方法的表现.

主要方法:

• 开发了使用混合整数编程训练的浅层0-1神经网络 (PNN).
• 利用反事实估计来优化政策.
• 将PNN与合成数据集上的现有方法进行比较,以及产后高血压治疗案例研究.

主要成果:

• 在优化治疗政策方面,PNN表现出卓越的表现.
• 在一项产后高血压病例研究中,与临床实践相比,PNN降低了5.47 mm Hg (p=0.02) 的峰值血压.
• PNN的表现比下一个最好的处方建模技术高出2mm Hg (p=0.01) ,并且更有可能识别出临床上重要的特征,避免偏见的特征.

结论:

• 处方神经网络 (PNN) 提供了一种强大的,可解释的方法,用于在有限的数据基础上进行医学决策.
• 通过避免依赖偏见的特征,PNN可以改善患者的治疗结果和提供更公平的医疗保健.
• 这项研究强调了PNN在推进个性化医疗和优化临床实践方面的潜力.