의료 등록 데이터를 위한 동적 치료 체계에 대한 심층 강화 학습

본 논문에서는 관찰 의료 데이터에서 최적의 동적 치료 체계를 추정하기 위한 최초의 심층 강화 학습 프레임워크를 제안합니다. 이 프레임워크는 이질적인 질병 진행과 치료 선택의 복잡성을 모델링하기 위해 기존의 강화 학습 방법보다 고차원 행동 및 상태 공간에 대해 더 유연하고 적응력이 뛰어납니다. 목표는 의사와 환자에게 데이터 기반 개인화된 의사결정 권장사항을 제공하는 것입니다. 제안된 심층 강화 학습 프레임워크는 가장 가능성이 높은 전문가 행동을 예측하는 감독 학습 단계를 포함하며, 동적 치료 체계의 장기 가치 함수를 추정하기 위한 심층 강화 학습 단계를 포함합니다. 우리는 국제 골수 이식 연구 센터(CIBMTR) 등록 데이터베이스에서 예방 및 급성 및 만성 이식편 대 숙주 질환의치료 순서에 초점을 맞추어 제안된 프레임워크를 동기 부여하고 구현하였습니다. 우리는 인간 전문가의 결정 예측에서 유망한 정확성을 보여주는 초기 구현 결과를 제시하였고, 강화 학습 단계를 위한 초기 구현을 보여주었습니다.