机器学习可以帮助优化危机中的医疗资源共享

解决组织中的供应短缺问题就像击中一个移动的目标一样——随着情况的发展，问题可能会随着即时的供应和需求而发生变化。

在 COVID-19 大流行的早期阶段，美国的医院就目睹了这种困境：随着病毒的迅速传播，各州的重要物资短缺加剧。

然而，现代分析模型可以成为解决此类复杂问题的强大工具，特别是结合机器学习(人工智能的一种形式)的模型。

圣路易斯华盛顿大学奥林商学院研究人员团队根据大流行初期三周期间美国各地呼吸机需求的真实数据，测试了共享呼吸机的算法模型。数据分析实践教授杜莱·桑达拉莫蒂 (Durai Sundaramoorthi)指出，在此期间，有时一个州对呼吸机有迫切需求，而另一个州却有大量未使用的设备。

“通常情况下，一个地方有可用资源，而另一个地方有大量需求，并且没有真正的共享机制，”Sundaramoorthi 说。“我们认为这肯定是我们可以创建一个模型来系统地共享资源的问题之一。”

该团队发现，最有效的模型使用深度 Q 学习，这是一种机器学习形式，允许模型从解决问题的多次迭代中学习。他们的工作题为“使用数据驱动分析管理应急响应中的资源共享”，最近发表在《运筹学年鉴》杂志上。

深度 Q 学习模型的可教性使其比更传统的整数规划更具优势，后者可以在一组条件下一次性解决问题。

Sundaramoorthi 说：“Q 学习模型的美妙之处在于，一旦你训练了(决策)代理，你就可以在将来使用它。”“在整数规划中，如果你以后想做同样的事情，你就必须再次解决这个问题。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！