पर्यवेक्षणात्मक नैदानिक डेटा से प्रत्यास्थ सीखने के माध्यम से आदर्श गतिशील उपचार प्रणाली का अध्ययन

चिकित्सा में, गतिशील उपचार प्रणालियाँ (डीटीआर) व्यक्तिगत उपचार निर्णयों को मार्गदर्शित करने के लिए उभरी हैं, जो रोगियों की अद्वितीय विशेषताओं को ध्यान में रखती हैं। हालाँकि, आदर्श डीटीआर निर्धारित करने के लिए मौजूदा विधियाँ सीमाओं का सामना करती हैं, जो अक्सर जटिल रोग विश्लेषण के लिए अनुपयुक्त रैखिक मॉडलों पर निर्भरता और उपचार प्रभाव अनुमान लगाने की बजाय परिणाम भविष्यवाणी पर ध्यान केंद्रित करने के कारण होती हैं। इन चुनौतियों को दूर करने के लिए, निर्णय वृक्ष-आधारित प्रत्यास्थन सीखने के दृष्टिकोण का प्रस्तावित किया गया है। हमारा अध्ययन ऐसे एल्गोरिदम के प्रदर्शन और व्यवहार्यता का मूल्यांकन करने का उद्देश्य है: वृक्ष-आधारित प्रत्यास्थन सीखना (टी-आरएल), डीटीआर-काॅज़ल ट्री (डीटीआर-सीटी), डीटीआर-काॅज़ल फॉरेस्ट (डीटीआर-सीएफ), स्टोकास्टिक वृक्ष-आधारित प्रत्यास्थन सीखना (एसएल-आरएल), और रैंडम फॉरेस्ट के साथ क्यू-सीखना। वास्तविक दुनिया के नैदानिक डेटा का उपयोग करते हुए, हमने एल्गोरिदम के प्रदर्शन की तुलना के लिए प्रयोग किए। मूल्यांकन मैट्रिक्स में उचित उपचारों के लिए सही ढंग से निर्धारित रोगियों का अनुपात और अनुमानित आदर्श उपचार रणनीतियों के आधार पर अपेक्षित विपरीत परिणामों का अनुभवजन्य औसत और मानक विचलन शामिल थे। यह शोध न केवल गतिशील उपचार प्रणालियों के लिए निर्णय वृक्ष-आधारित प्रत्यास्थन सीखने की संभावनाओं को उजागर करता है, बल्कि प्रभावी और सूक्ष्म उपचार अनुशंसाएँ प्रदान करके व्यक्तिगत चिकित्सा को आगे बढ़ाने में भी योगदान देता है।