数据驱动下基于规则分类的医疗决策模型研究

The consideration of both interpretability and cost effectiveness in building a data-driven medical decision making model is a significant factor for successful adoption and integration of the model in real-world clinical practices. In this research, a data driven medical decision making model using rule-based classification is built, so that the optimal balance between prediction accuracy and cost-effectiveness can be achieved when it is auxiliary medical decision making. First of all, the potential rules of classification of medical data will be mined through the random forest method; secondly, a rule-based robust classification model will be constructed by using the mathematical programming method and the L1- norm loss function; thirdly, on the basis of the above, integration and innovation of random forest, sparse learning and the mixed-integer programming method will then be carried out, and the rules and features will also be optimized, so that a new rule-based robust classification model with cost effectiveness will be constructed; finally, effectiveness, interpretability and cost effectiveness of the model will be tested by adopting the k-fold cross validation method, the survival analysis method and the cost-effectiveness analysis method. The research of this project is helpful to enrich the theory study of data driven medical decision making on one hand; on the other hand, the theory model can achieve optimal balance between prediction accuracy and cost-effectiveness when it is used in auxiliary medical decision making.

数据驱动下医疗决策模型的可解释性和成本效益是其能否在临床实践中成功运用的关键因素。本项目提出构建一个数据驱动下基于规则分类的医疗决策模型，用以最优平衡模型在辅助医疗决策时的预测精度和成本效益。首先，运用随机森林方法挖掘医疗数据分类的潜在规则；其次，采用数学规划法和L1-范数损失函数构建基于多规则的鲁棒分类模型；第三，在此基础上，整合创新随机森林、稀疏学习以及混合整数规划法，同时优化规则和特征，构建一个新的具有成本效益的基于多规则的鲁棒分类模型；最后，运用k-折交叉验证法、生存分析法和成本效益分析法分别验证模型的有效性、可解释性和成本效益。本项目的研究，一方面有助于丰富数据驱动下医疗决策的理论研究；另一方面使理论模型辅助医疗决策时在预测精度和成本效益之间达到最优平衡。

数据驱动下的管理决策可以为各个行业提供决策参考，形成最终解决方案；可以创造财富和社会价值。本项目从数据驱动下的管理决策特点入手，针对不同行业面临的决策问题，选取当前数据集聚的医疗行业为代表，为解决在保证决策尽可能准确的基础上，降低医疗等行业投入与决策成本的问题，主要展开了如下研究：(1)采用随机森林方法生成大量潜在分类规则，并运用数学规划法和L1-范数损失函数构建基于多规则的鲁棒分类模型。(2)在此基础上，整合创新随机森林、稀疏学习以及混合整数规划方法，同时优化规则和特征，构建具有成本效益的基于多规则的鲁棒分类模型。(3)运用临床试验数据对所建模型以及其他代表性模型进行实验计算，以验证所建模型的有效性、可解释性及成本效益。(4)通过对数据驱动下基于规则分类的医疗决策模型研究，引导其他行业数据驱动下基于不同机器学习方法的决策模型理论与实践应用研究。.本项目完成了计划实施的主要研究内容，取得了超过预期的研究成果。项目负责人在《IEEE Transactions》系列期刊、《Annuals of Operations Research》等国际知名学术期刊上发表SCI刊源论文11篇，其中第一或通讯作者9篇；1篇会议报告成果被刊发在医学物理国际权威SCI期刊《Medical Physics》。相关论文被中国、英国、日本等国家的多位学者引用并正面评价，显示本项目的研究具有一定的学术价值和科学意义。同时，项目负责人依托本项目受邀赴美国参加管理科学国际顶级会议Informs和POMS等共4次，作口头报告共6次(其中2次为特邀报告)，作为主席主持2个分会场；项目形成的相关部分成果受邀在2个国内会议和4个国内外大学分别作特邀报告；依托本项目协助培养1名博士生和2名硕士生，邀请5名国内外知名学者来校进行合作交流。此外，通过本项目的研究积累，项目负责人在第60届美国医学物理学家协会年会与展览(AAPM)联合成像治疗专场获得最佳物理奖，受到阿肯色大学和同济大学的广泛关注，均被专题报道；2019年获得中国博士后科学基金特别资助，2020年入选上海市浦江(A类)人才计划。