MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016931811
■00520240214100121
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379755881
■035    ▼a(MiAaPQ)AAI30424319
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aAnderer,  Arielle  Elissa.
■24510▼aNovel  Sequential  Decision-Making  Strategies  in  Healthcare  Settings▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Pennsylvania.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(192  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Bastani,  Hamsa  Sridhar.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThere  are  currently  many  good  methods  for  solving  sequential  decision-making  problems  under  certain  assumptions  on  the  structure  of  the  incoming  data.  However,  when  the  avail-  able  data  fails  to  meet  such  assumptions,  such  as  when  it  involves  surrogate  or  proxy  signals,  involves  measuring  survival  times,  or  is  unstructured  such  as  in  the  case  of  image  data,  these  methods  fall  short.  In  this  dissertation,  we  aim  to  address  this  discrepancy  for  specific  types  of  complex  data,  inspired  by  healthcare  settings  in  which  we  might  encounter  such  data.  We  introduce  new  methods  to  better  learn  from  incoming  and  limited  data  sources  in  order  to  make  more  efficient  decisions.The  goal  of  this  work  is  to  develop  methods  that  medical  professionals  can  use  to  better  leverage  data  in  order  to  determine  efficacy  or  necessity  of  treatment.  All  three  projects  included  in  this  dissertation  focus  on  developing  adaptive  methods  that  leverage  information  as  it  becomes  available  to  update  predictions,  to  ensure  that  medical  professionals  can  better  balance  providing  effective  healthcare  with  using  available  resources  efficiently.  We  also  focus  on  quantifying  the  performance  of  these  algorithms,  and  identifying  the  conditions  under  which  it  is  most  beneficial  to  use  these  novel  strategies  instead  of  currently  employed  methods.
■590    ▼aSchool  code:  0175.
■650  4▼aComputer  science.
■653    ▼aAdaptive  learning  algorithms
■653    ▼aHealthcare  analytics
■653    ▼aSequential  decision  making
■653    ▼aHealthcare  settings
■690    ▼a0796
■690    ▼a0984
■690    ▼a0800
■71020▼aUniversity  of  Pennsylvania▼bOperations,  Information  and  Decisions.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931811▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books