[论文解读] Interpretable Machine Learning for Resource Allocation with Application to Ventilator Triage

Julien Grand-Clément, Goh, You Hui+3 more|arXiv (Cornell University)|Oct 21, 2021

Emergency and Acute Care Studies参考文献 48被引用 5

一句话总结

本文提出了一种基于马尔可夫决策过程（MDP）树策略的数据驱动、可解释的机器学习框架，用于优化新冠疫情暴发期间的呼吸机分配。通过利用蒙蒂菲奥里医疗中心的真实患者数据，该方法生成了简单、基于决策树的指导原则，与纽约州在疫情前制定的非数据驱动的分诊指南相比，显著减少了超额死亡人数，而后者的表现仅相当于先到先得的分配政策。

ABSTRACT

Rationing of healthcare resources is a challenging decision that policy makers and providers may be forced to make during a pandemic, natural disaster, or mass casualty event. Well-defined guidelines to triage scarce life-saving resources must be designed to promote transparency, trust, and consistency. To facilitate buy-in and use during high-stress situations, these guidelines need to be interpretable and operational. We propose a novel data-driven model to compute interpretable triage guidelines based on policies for Markov Decision Process that can be represented as simple sequences of decision trees ("tree policies"). In particular, we characterize the properties of optimal tree policies and present an algorithm based on dynamic programming recursions to compute good tree policies. We utilize this methodology to obtain simple, novel triage guidelines for ventilator allocations for COVID-19 patients, based on real patient data from Montefiore hospitals. We also compare the performance of our guidelines to the official New York State guidelines that were developed in 2015 (well before the COVID-19 pandemic). Our empirical study shows that the number of excess deaths associated with ventilator shortages could be reduced significantly using our policy. Our work highlights the limitations of the existing official triage guidelines, which need to be adapted specifically to COVID-19 before being successfully deployed.

研究动机与目标

• 开发用于医疗资源激增期间呼吸机分配的可解释、数据驱动的分诊指导原则。
• 解决现有官方分诊指南的局限性，这些指南并非基于数据，且在新冠疫情暴发前制定。
• 评估在分诊规则中纳入人口统计学和共病信息是否能改善结果，同时平衡伦理问题。
• 设计一种结合马尔可夫决策过程优化与可解释决策树的方法，以提升临床可用性。
• 通过模拟和来自重大疫情高峰期的真实患者数据，评估现实世界分诊政策的性能。

提出的方法

• 作者将呼吸机分配问题建模为一个有限时域的马尔可夫决策过程（MDP），其状态转移基于患者健康状况的演变。
• 通过将分类树算法与MDP求解技术相结合，引入了“树策略”——一种可解释的决策树，用于表示分诊的顺序规则。
• 开发了一种基于动态规划的算法，以计算近似最优的树策略，在性能与可解释性之间实现平衡。
• 模型使用疫情期间蒙蒂菲奥里医疗中心提供的真实患者数据（n=807）来估计状态转移概率和结果。
• 通过模拟评估性能，而非依赖理论MDP奖励，以确保结果基于真实世界数据和专家意见。
• 通过评估功利主义目标（挽救的生命数）与公平性之间的权衡，特别是针对年龄和共病问题，将伦理考量纳入模型。

实验结果

研究问题

• RQ1 基于数据驱动、可解释的机器学习模型是否能在大流行病期间显著优于非数据驱动、专家设计的分诊指南，从而减少超额死亡？
• RQ2 在分诊规则中纳入人口统计学和共病信息是否能改善生存率，还是会导致伦理与性能之间的权衡？
• RQ3 基于MDP推导出的简单决策树策略在高风险医疗资源分配中，能否有效平衡可解释性与性能？
• RQ4 现有官方分诊指南（如纽约州指南）在应用于新冠患者时，其在减少死亡率方面的表现如何？
• RQ5 仅基于SOFA评分的模型是否能优于包含更多临床和人口统计因素的复杂分诊规则？

主要发现

• 仅基于SOFA评分的所提出树策略，与纽约州指南相比，显著减少了超额死亡人数，而后者表现仅相当于先到先得（FCFS）政策。
• 纽约州指南在疫情前制定，未能有效减少死亡率，在模拟中与简单FCFS分配相比改善甚微。
• 纳入人口统计学和共病数据并未降低死亡率，且可能在无性能增益的情况下引入伦理问题。
• 该模型表明，尽管SOFA评分并非完美，但在结构化、基于规则的分诊框架中仍具有效性。
• 研究发现，疫情前制定的分诊指南在新型疾病背景下已不适用，需基于数据驱动方法进行修订后方可部署。
• 模拟结果表明，若将分诊政策修订为反映大流行高峰期真实患者结果，可显著提升挽救的生命数。