机构名称：
¥ 4.0
近年来，强化学习（RL）在与健康相关的顺序决策问题中取得了突出的立场，成为提供适应性干预措施（AIS）的宝贵工具。然而，部分由于方法论和应用社区之间的协同作用差，其现实生活中的应用仍然有限，并且其潜力仍有待实现。为了解决这一差距，我们的工作提供了有关RL方法的第一个统一技术调查，并与案例研究相辅相成，用于在医疗保健中构建各种AIS。特别是，使用RL的常见方法论伞，我们桥接了两个看似不同的AI领域，动态治疗方案以及在移动健康中的自适应干预措施，突出了它们之间的相似性和差异，并讨论了使用RL的含义。概述了未来研究方向的开放问题和考虑因素。最后，我们利用我们在两个领域设计案例研究方面的经验来展示统计，RL和医疗保健研究人员之间在进行AIS方面的重要协作机会。
现代生物统计学中的强化学习-Iris
主要关键词
相关文件推荐
