Reinforcement Learning zur Behandlung und Vorhersage des Krankheitsver­laufes bei AML-Patienten

Echte Daten im Allgemeinen und klinische Zeitverlaufsdaten im Besonderen sind von Natur aus verrauscht, spärlich und unregelmäßig verteilt, was ihre Handhabung besonders schwierig macht. Im Rahmen dieses Projekts wollen wir auf Grundlage solcher dynamischer Zeitverlaufsdaten, die durch multivariate klinische Informationen angereichert sind, präzise Vorhersagen und optimale Interventionen für den individuellen Krankheitsverlauf von Patienten finden. Dafür passen wir Machine-Learning-Methoden (ML) an, ergänzen sie durch mechanistische Modelle (MM) und trainieren sie darauf, mit solchen klinischen Daten umzugehen. Konkret nutzen wir Reinforcement Learning, Transformer und RNNs ein, um aus Zeitverläufen zu lernen, Vorhersagen zu treffen und effizient daraus Zeitpunkte und Messwerte mit hohem Informationsgehalt anhand der geschätzten Dynamik auszuwählen. Diese Methoden wenden wir auf longitudinale Daten von Patienten mit Akuter Myeloischer Leukämie (AMl) an und testen die Generalisierbarkeit des Ansatzes durch Übertragung auf Chronische Myeloische Leukämie (CML). Wir wollen zeigen, wie zeitliche Daten effizient genutzt werden können, um den Informationsgewinn zu optimieren und klinische Behandlungsentscheidungen zu unterstützen. Darüber hinaus verwenden wir dieses Framework, um die wechselseitige Beziehung zwischen ML und MM zu untersuchen und beide Ansätze gegenseitig zu ergänzen und zu stärken.