調整數據驅動預測與分配：存活分析的決策導向方法

研究論文探討了預測模型與決策任務之間的對齊挑戰，特別在器官分配這一高風險領域。論文指出，傳統存活預測模型如使用C指數優化，可能在實際分配中導致效果不佳，甚至不如隨機選擇。為解決此問題，作者提出一個決策導向學習框架，將存活分析與政策優化結合，引入正規化折現累積增益（NDCG）作為優化指標。NDCG常用於信息檢索，論文證明其在存活分析中能保證分配性能。在方法上，作者提出一個自助法來優化現有存活模型的NDCG，並處理右截斷數據的排名評估挑戰。在美國歷史心臟移植數據的實驗中，方法大幅提升了基線模型的NDCG達50-100%，這直接轉化為移植分配中每年額外數萬生命年的增益。研究強調，此框架不僅限於器官分配，可望應用於更廣泛的預測決策問題。