# Malaria Likelihood Prediction By Effectively Surveying Households Using Deep Reinforcement Learning

**Authors:** Pranav Rajpurkar, Vinaya Polamreddi, Anusha Balakrishnan  
**arXiv:** [1711.09223](https://arxiv.org/abs/1711.09223)  
**Date:** 2017-11-25  
**Summary page:** https://www.summarizepaper.com/fr/paper/1711.09223v1/

## Key points

- Développement d'un agent d'apprentissage par renforcement profond (RL) pour prédire la probabilité de paludisme chez une personne en posant des questions sur son foyer
- L'agent RL apprend à déterminer quelle question poser ensuite et quand s'arrêter pour faire une prédiction précise
- Utilisation d'une petite pénalité pour chaque question posée et d'une grande récompense/pénalité pour une prédiction correcte/incorrecte
- Utilisation d'un réseau Q profond qui apprend directement à partir des réponses aux questions
- Concentration sur le Kenya où le paludisme est un problème majeur de santé publique
- Entraînement de l'agent RL sur un ensemble de données provenant de l'enquête sur les indicateurs du paludisme au Kenya en 2015 comprenant 6481 foyers
- Comparaison avec une méthode d'apprentissage supervisé (SL) utilisant un ensemble fixe de questions d'enquête
- Précision des prédictions : 80% avec seulement 2,5 questions en moyenne
- Adaptation de l'enquête en fonction des réponses pour égaler la méthode SL tout en réduisant la durée de l'enquête.

## Summary

Nous avons développé un agent d'apprentissage par renforcement profond (RL) qui peut prédire la probabilité qu'une personne soit positive au paludisme en posant des questions sur son foyer. L'agent RL apprend à déterminer quelle question poser ensuite et quand s'arrêter pour faire une prédiction précise en fonction des réponses obtenues jusqu'à présent. Il reçoit une petite pénalité pour chaque question posée et une grande récompense/pénalité pour une prédiction correcte/incorrecte ; ainsi, il doit trouver un équilibre entre la longueur de l'enquête et l'exactitude de ses prédictions finales. Notre agent RL est un réseau Q profond qui apprend directement à partir des réponses aux questions, avec une action définie pour chaque question possible de l'enquête et pour chaque classe possible de prédiction. Nous nous concentrons sur le Kenya, où le paludisme est un problème majeur de santé publique, et nous entraînons notre agent RL sur un ensemble de données provenant de l'enquête sur les indicateurs du paludisme au Kenya en 2015 comprenant 6481 foyers. Pour étudier l'importance d'avoir des questions adaptées aux réponses dans l'enquête, nous comparons notre agent RL à une méthode d'apprentissage supervisé (SL) qui utilise un ensemble fixe de questions d'enquête. Nous évaluons la précision des prédictions et le nombre moyen de questions posées sur un ensemble de données retenu et constatons que notre agent RL peut prédire avec une précision de 80 % en utilisant seulement 2,5 questions en moyenne. De plus, l'agent RL apprend à adapter l'enquête en fonction des réponses et est capable d'égaler la méthode SL en termes de précision des prédictions tout en réduisant significativement la durée de l'enquête.