Aide à la décision
❯
Prédire
❯Apprentissage par renforcement en profondeur pour une recommandation de traitement personnalisée
Une décision de crédit plus juste et plus personnalisée
Aller au-delà des modèles linéaires généralisés : une stratégie de tarification sophistiquée intégrant les prix des concurrents
Triage basé sur l'apprentissage automatique pour déterminer les patients de faible gravité qui peuvent être accélérés jusqu'à l'admission aux urgences en raison de leur courte durée de sortie
Modèle de prévision et d'impact des catastrophes et des urgences
Renseignements automatisés sur l'enrichissement des menaces dans la cybersécurité
Apprentissage par renforcement en profondeur pour une recommandation de traitement personnalisée
Application de l'apprentissage automatique pour prédire le risque de nouvelles infections à l'hôpital pour les patients
Gestion - Intelligence de marché
Prévisions météorologiques dans l'agriculture
L'IA pour la prévention des pertes des clients des services de télécommunication
Fabrication et usines - Maintenance prédictive
Modèle de prévision et d'impact des catastrophes et des urgences
Apprentissage par renforcement en profondeur pour une recommandation de traitement personnalisée
Pour:
Cliniciens qui prescrivent des traitements de longue durée et modulablesObjectif:
Amélioration de l'efficacité des employésProblème adressé
L'un des principaux défis de la médecine de précision est de comprendre les maladies courantes au niveau moléculaire afin de recommander des thérapies individualisées aux patients, permettant une efficacité élevée pour des sous-types de maladies différents et peut-être inconnus. Un autre défi dans la pratique clinique est de savoir comment adapter les affectations de traitement aux changements possibles de l'état de santé et des préférences des patients, y compris les antécédents de traitement.
Description
Formuler un système de classement mesurant l'efficacité des médicaments en tant que fonction de notation qui note chaque médicament candidat à chaque position de classement. Les scores représentent généralement une certaine pertinence, induisant un classement des médicaments en les triant par ordre décroissant de pertinence pour former une liste classée à chaque position. Lors du passage à la position suivante, en fonction du changement dynamique des médicaments candidats, de l'environnement contextuel et des vecteurs de caractéristiques correspondants, les scores des médicaments restants peuvent changer sous la fonction de notation.
Données brutes
IA: Percevoir
L'apprentissage en profondeur
IA: Comprendre
Aide à la décision - Prédire / Prévoir
IA: Agir