基于多目标安全强化学习的公平性公共卫生资源分配:以泰国为例
《International Journal of Environmental Research and Public Health》:Equity-Preserving Public Health Resource Allocation Using Multi-Objective Safe Reinforcement Learning: Evidence from Thailand
【字体:
大
中
小
】
时间:2026年07月11日
来源:International Journal of Environmental Research and Public Health CS8.5
摘要
背景:在区域卫生治理中,如何公平地将公共卫生预算分配到不同的干预领域始终是一个重大挑战。在泰国第10卫生区,年度医疗保健预算需应对多个省份的各类健康问题,而目前的规划方法主要依赖专家意见和历史先例,缺乏对其他分配策略的系统探索。公共卫生资源分配决策本质上涉及多重标准,包括健康影响、成本效益、公平性、疾病严重程度、临床与伦理考量、可行性以及与国家卫生政策的一致性——这些维度无法用单一指标来衡量。本研究提出了H-RL-MUSYA(用于多领域统一系统的分层强化学习算法,可实现自适应资源分配),这是一种决策支持框架,旨在通过系统地生成并评估营养、心理健康、行为风险和事故预防这四个重点领域的帕累托最优分配策略,为公共卫生从业者提供辅助,而非替代他们。该框架明确指出,虽然避免的DALY数值和成本效益比率具有参考价值,但只是部分指标,最终的资源分配还需结合模型范围之外的其他因素,如相关卫生政策、目标人群的需求、可行性以及具体情境下的判断。结果:将该框架应用于泰国第10卫生区(人口460万),共找到了127种帕累托最优策略,由此产生的分配方案避免了847,293个DALY(较历史分配方案改善34.1%),成本效益提升了31.3%,健康公平性基尼系数从0.243降至0.187。为期12个月的试点测试显示,该方案可使整体健康状况提升23.1%,且得到91%相关方的认可。结论:H-RL-MUSYA表明,借助人工智能进行政策探索能够通过揭示非直观的分配策略并量化公平性与效率之间的权衡,有效提升公共卫生决策的质量,不过最终的资源分配仍需依靠人类专家的经验、政策背景以及民主决策过程。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号