Dynamisches Lernen der Patientenreaktionstypen: Eine Anwendung zur Behandlung chronischer Krankheiten

Die derzeit verfügbaren Medikamente zur Behandlung vieler chronischer Krankheiten sind oft nur für eine Untergruppe von Patienten wirksam, und Biomarker, die genau bewerten, ob eine Person zu dieser Untergruppe gehört, existieren typischerweise nicht. In solchen Fällen lernen Ärzte über die Wirksamkeit eines Medikaments hauptsächlich durch Experimente, d.h. indem sie die Behandlung einleiten und die Reaktion des Patienten überwachen. Präzise Richtlinien für die Beendigung der Behandlung fehlen oft oder liegen vollständig im Ermessen des Arztes. Wir stellen ein Rahmenwerk vor, um adaptive, personalisierte Behandlungen für solche chronischen Krankheiten zu entwickeln. Unser Modell basiert auf einem kontinuierlichen Zeit-Multi-Armed-Bandit-Setting, in dem die Wirksamkeit eines Medikaments durch die Aggregation von Informationen aus mehreren Kanälen bewertet wird: durch kontinuierliche Überwachung des Gesundheitszustands des Patienten, aber auch durch (nicht) Beobachtung des Auftretens bestimmter seltener Gesundheitsereignisse, wie Rückfälle oder Krankheitsschübe. Die Erkenntnis, dass das Timing und die Schwere solcher Ereignisse entscheidende Informationen für Behandlungsentscheidungen liefern, ist ein wichtiger Ausgangspunkt in unserem Rahmenwerk im Vergleich zu typischen (Banditen-)Modellen, die im Gesundheitswesen verwendet werden. Wir zeigen, dass das Modell in geschlossener Form für mehrere interessante Einstellungen analysiert werden kann, was zu optimalen Richtlinien führt, die intuitiv sind und praktische Anwendbarkeit haben können. Wir veranschaulichen die Wirksamkeit der Methodik, indem wir eine Reihe effizienter Behandlungsrichtlinien für Multiple Sklerose entwickeln, die wir dann nutzen, um mehrere bestehende Behandlungsrichtlinien zu benchmarken.