ترجمه فارسی مقاله سنجش فعال پیشرفت آرتروز زانو با یادگیری تقویتی

چکیده

Osteoarthritis (OA) is the most common musculoskeletal disease, which has no cure. Knee OA (KOA) is one of the highest causes of disability worldwide, and it costs billions of United States dollars to the global community. Prediction of KOA progression has been of high interest to the community for years, as it can advance treatment development through more efficient clinical trials and improve patient outcomes through more efficient healthcare utilization. Existing approaches for predicting KOA, however, are predominantly static, i.e. consider data from a single time point to predict progression many years into the future, and knee level, i.e. consider progression in a single joint only. Due to these and related reasons, these methods fail to deliver the level of predictive performance, which is sufficient to result in cost savings and better patient outcomes. Collecting extensive data from all patients on a regular basis could address the issue, but it is limited by the high cost at a population level. In this work, we propose to go beyond static prediction models in OA, and bring a novel Active Sensing (AS) approach, designed to dynamically follow up patients with the objective of maximizing the number of informative data acquisitions, while minimizing their total cost over a period of time. Our approach is based on Reinforcement Learning (RL), and it leverages a novel reward function designed specifically for AS of disease progression in more than one part of a human body. Our method is end-to-end, relies on multi-modal Deep Learning, and requires no human input at inference time. Throughout an exhaustive experimental evaluation, we show that using RL can provide a higher monetary benefit when compared to state-of-the-art baselines.

چکیده به فارسی (ترجمه ماشینی)

استئوآرتریت (OA) شایعترین بیماری اسکلتی عضلانی است که هیچ درمانی ندارد.زانو OA (KOA) یکی از بالاترین دلایل معلولیت در سراسر جهان است و برای جامعه جهانی میلیاردها دلار آمریکا هزینه دارد.پیش بینی پیشرفت KOA سالها مورد توجه جامعه بوده است ، زیرا می تواند از طریق کارآزمایی های بالینی کارآمدتر ، پیشرفت درمانی را پیش ببرد و نتایج بیمار را از طریق استفاده از مراقبت های بهداشتی کارآمدتر بهبود بخشد.رویکردهای موجود برای پیش بینی KOA ، با این حال ، عمدتاً استاتیک هستند ، یعنی داده ها را از یک نقطه زمانی واحد برای پیش بینی پیشرفت سالها به آینده و سطح زانو در نظر بگیرید ، یعنی پیشرفت را فقط در یک مفصل واحد در نظر بگیرید.با توجه به این دلایل و دلایل مرتبط ، این روشها نمی توانند سطح عملکرد پیش بینی کننده را ارائه دهند ، که برای صرفه جویی در هزینه و نتایج بهتر بیمار کافی است.جمع آوری داده های گسترده از همه بیماران به طور منظم می تواند این مسئله را برطرف کند ، اما با هزینه بالا در سطح جمعیت محدود است.در این کار ، ما پیشنهاد می کنیم که فراتر از مدل های پیش بینی استاتیک در OA ، و یک رویکرد جدید سنجش فعال (AS) را ارائه دهیم ، که به منظور پیگیری پویا بیماران با هدف به حداکثر رساندن تعداد کسب داده های آموزنده ، در عین حال هزینه کل آنها را به حداقل می رساند.یک دوره زمانیرویکرد ما مبتنی بر یادگیری تقویت (RL) است و از یک عملکرد پاداش جدید که به طور خاص برای پیشرفت بیماری در بیش از یک قسمت از بدن انسان طراحی شده است ، استفاده می کند.روش ما پایان به پایان است ، به یادگیری عمیق چند حالته متکی است و در زمان استنتاج نیازی به ورودی انسانی ندارد.در طول یک ارزیابی تجربی جامع ، ما نشان می دهیم که استفاده از RL می تواند در مقایسه با خط مقدماتی پیشرفته ، سود پولی بالاتری را ارائه دهد.