面向个性化医疗与保险的新型机器学习算法

过去几十年，医疗数据分析一直被视为带来更有效、以患者为中心、更个性化照护的技术路径，机器学习也被反复指认为推进医疗服务的关键分析工具。但一个尴尬的事实是：尽管围绕「大数据」潜力的热情持续很久，真正影响当前临床实践的案例只有少数几个。这份论文正是从这个落差出发：它要问的不是算法能不能更准，而是已有的分析能力为什么迟迟没有进入诊室和病房。作者的判断是，障碍集中在两头：一头是真实临床数据本身的缺陷，另一头是模型被采用后机构要承担的责任风险。换句话说，这个落差不会因为模型变强而自动消失。

论文覆盖的范围比标题更宽，正文分成三个部分。方法上，它把预测性方法与处方性方法结合起来，也就是不只预测结果，还要给出应当怎么做的建议。数据来源包括健康与理赔记录、纵向研究和非结构化的医疗报告，应用场景集中在心血管与脑血管疾病。这个组合本身就透露了作者的取向：算法要和真实的数据形态、真实的临床决策链条对应上，而不是停留在干净的基准数据集上。

第一部分处理的正是数据不完美的三种典型形态：缺失值、删失观测和未被观测到的反事实。围绕这三点，论文提出了用于缺失数据填补、聚类和生存分析的数据驱动算法，位置在机器学习与优化的交叉处。转换成实践语言，这意味着模型不必先把不完整的病历丢掉或粗暴补全，才有资格进入建模流程。作者在摘要中特别强调可解释性，以及模型设计要便于临床医生参与并整合进医疗系统；这一点贯穿了后面的应用部分。

第二部分把方法用到具体病种上。作者提出了一个个性化处方的框架，并将其应用于冠状动脉疾病的治疗，同时给出了可用于支持早期诊断、改善卒中患者管理的预测模型。佐证材料显示，这部分工作与 Hartford HealthCare 有实际合作，涉及神经科、心脏外科等方向，致谢中提到 Amre Nouh 与 Robert Hagberg 参与卒中与心脏手术风险估计的工作。第三部分转向「算法保险」：提出一套量化框架来估计机器学习模型的诉讼风险，使医疗机构能够管理引入分析型决策工具所带来的风险敞口。这一块在医疗 AI 文献里相对少见，它把责任问题当作技术设计问题来处理。

把这些放在一起看，论文给出的与其说是一组性能结论，不如说是一条落地路线：先承认数据有缺陷，用填补、生存分析这类方法正面处理；再把预测接到处方上，让输出直接对应临床决策；最后用可量化的责任框架回答出了事谁负责。这意味着，可解释性和临床医生参与是采用的前置条件，而非论文末尾的伦理附注。换句话说，医疗 AI 的瓶颈可能不在精度，而在机构是否敢用、能否承担后果。

这份材料适合运筹学、医疗数据科学与卫生政策方向的研究者，也适合在医疗机构里负责分析工具选型与风险管理的人。读完能拿走的是一套问题分解方式，以及三个部分各自的定位：数据处理方法、疾病层面的预测与处方应用、责任风险量化。边界需要说明：材料只给出摘要与结构层面的描述，没有报告任何实验结果、样本规模或性能数字，因此无法据此判断这些算法的实际效果。想评估方法优劣，还得回到论文正文。

Novel Machine Learning Algorithms for Personalized Medicine and Insurance by Agni Orfanoudaki B.S., Athens University of Economics and Business (2016) Submitted to the Sloan School of Management in partial fulfillment of the requirements for the degree of Doctor of Philosophy in Operations Research at the MASSACHUSETTS INSTITUTE OF TECHNOLOGY June 2021 c○ Massachusetts Institute of Technology 2021. All rights reserved. Author.................................................................... Sloan School of Management May 7, 2021 Certified by ............................................................... Dimitris Bertsimas Boeing Leaders for Global Operations Professor Thesis Supervisor Accepted by............................................................... Patrick Jaillet Dugald C. Jackson Professor Department of Electrical Engineering and Computer Science