PulseAugur
中
实时 09:44:37
English(EN) Learning Clinical-Trial Strategy: Offline Policy Training for Decision Agents

AI代理使用离线策略训练学习临床试验策略

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种优化临床试验策略的新方法，将肿瘤药物开发视为一个离线决策问题。他们从超过31,000条公共记录中构建了一个时间数据集，创建了881个决策回合。他们的研究结果表明，离线学习方法，特别是奖励加权行为克隆，在预测和规划临床实验方面可以显著优于标准代理，达到了46.2%的适应症F1分数。 AI

影响 这项研究展示了一种将AI应用于医疗保健领域复杂序列决策问题的新方法，有望加速药物开发。

排序理由 详细介绍AI代理新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI代理使用离线策略训练学习临床试验策略

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · William Bolton, Philip Torr ·

    学习临床试验策略：决策代理的离线策略训练

    arXiv:2608.03606v1 Announce Type: new Abstract: Clinical development is sequential decision-making under uncertainty, where a sponsor must plan a portfolio of experiments from heterogeneous evidence. We study this setting by framing oncology clinical development as an offline dec…

相关实体

相关话题