基于直觉模糊集与智能体协商的共享决策模型：提升医患协同效率与满意度

《Scientific Reports》：An intuitionistic fuzzy automated negotiation model for personalized and efficient shared decision-making

为解决共享决策(SDM)中因信息不对称、偏好模糊及时间压力导致的效率低下问题，本研究提出了一种基于直觉模糊集(IFS)与模糊推理的智能体自动协商模型(AN-IFF)。该模型通过IFS量化医患双方的满意度、不满意度及犹豫度，并引入模糊推理系统(FIS)与时间折扣因子动态调整让步策略。实验结果表明，AN-IFF在联合满意度(CASV)、公平性(DASV)及协商轮次等关键指标上均优于FCAN、ACANM-SDM等基线方法，为临床实现个性化、高效的共享决策提供了新范式。

　　

在医疗领域，共享决策(Shared Decision-Making, SDM)作为一种理想的医患沟通模式，强调医生与患者共同参与治疗方案的选择。它旨在结合医生的专业知识和患者的个人偏好，从而提升患者的治疗依从性、满意度并改善医患关系。然而，理想很丰满，现实却很骨感。在临床实践中，SDM的实施面临着三大“拦路虎”：首先是医疗信息的复杂性，患者往往难以完全理解复杂的医学知识；其次是患者偏好的模糊性，他们可能无法清晰、准确地表达自己的真实想法和顾虑；最后是治疗结果的不确定性，任何治疗都存在风险，这种不确定性加剧了决策的难度。这些挑战使得医患之间的协商过程变得异常耗时且复杂，在门诊时间有限的情况下，往往难以深入展开。

尽管现有的决策辅助工具(如OPT、ACP)和基于多准则决策(MCDM)的方法取得了一定进展，但它们大多假设决策者的偏好是静态且精确的，难以捕捉真实世界中患者面对医疗选择时的犹豫和不确定性。此外，传统的自动化协商模型虽然能提高效率，但在处理这种高度模糊和不确定的偏好信息时，其表现仍有待提升。

为了攻克这些难题，来自厦门理工学院的研究团队在《Scientific Reports》上发表了一项研究，他们提出了一种名为AN-IFF(Agent-based Auto-negotiation Model based on Intuitionistic Fuzzy Sets)的新型智能体自动协商模型。该模型的核心创新在于，它巧妙地将直觉模糊集(Intuitionistic Fuzzy Sets, IFS)理论引入到医患协商中，从而能够更精准地刻画决策者的“满意”、“不满意”和“犹豫”这三种心理状态。

关键技术方法

本研究主要采用了以下关键技术方法：1. 直觉模糊集(IFS)建模：利用隶属度、非隶属度和犹豫度三元组来量化医患双方对治疗方案的偏好，解决了传统模糊集无法表达犹豫度的问题。2. 智能体(Agent)协商框架：构建了医生智能体(DA)和患者智能体(PA)，模拟双边交替出价的协商过程。3. 模糊推理系统(FIS)：设计了一个基于满意度(All_S_o)和犹豫度(All_H_o)作为输入、让步意愿作为输出的模糊推理系统，用于动态调整智能体的让步策略。4. 时间折扣机制：引入时间折扣因子(τ_t)来模拟时间压力对协商行为的影响。5. 实验验证：基于厦门市中医院儿科哮喘治疗场景的访谈数据，构建了包含成本、疗效、副作用、风险和便利性五个议题的协商域，并设置了乐观、平衡、悲观三种人格化策略进行对比实验。

研究结果

1. 三种协商策略的让步行为分析

研究人员设计了三种不同的人格化协商策略：乐观型(Positive)、平衡型(Balanced)和悲观型(Negative)。实验结果显示，这三种策略在协商过程中表现出截然不同的让步行为。在相同的协商时限下，悲观型策略的智能体让步最快，其接受阈值(AT)下降得最迅速，通常在较少的轮次内就达成协议；而乐观型策略的智能体则显得更为“固执”，其接受阈值下降缓慢，倾向于在协商后期才做出较大让步；平衡型策略则介于两者之间。这种差异源于不同策略对“犹豫度”的解读：乐观者倾向于将犹豫视为潜在的满意，因此不愿轻易让步；而悲观者则将犹豫视为潜在的不满意，因此选择快速让步以规避风险。

2. 不同策略组合的协商性能对比

实验进一步对比了不同策略组合下的协商效果。在协商轮次方面，当双方都采用乐观型策略时，协商过程最为漫长，因为双方都不愿轻易妥协；而当双方都采用悲观型策略时，协商效率最高，能最快达成协议。在公平性方面，当双方采用相同的策略时，其最终满意度差异(DASV)最小，即协商结果最为公平。在联合满意度(CASV)方面，当一方采用乐观型策略而另一方采用悲观型策略时，往往能获得最高的联合满意度，因为一方的大幅让步为另一方争取到了更优的结果。这些结果表明，AN-IFF模型能够有效模拟不同性格的决策者在真实协商中的行为模式。

3. 与基线模型的性能比较

为了验证AN-IFF模型的优越性，研究人员将其与多种基线模型进行了对比，包括传统的基于时间的策略(Boulware, Linear, Conceder)、基于模糊约束的协商模型(FCAN)以及基于Actor-Critic网络的先进模型(ACANM-SDM)。实验结果表明，AN-IFF模型在多个关键指标上均表现出色。在联合满意度(CASV)方面，AN-IFF的三种策略均显著高于基线模型，其中乐观型策略表现最佳。在公平性(DASV)方面，AN-IFF的悲观型策略实现了最低的满意度差异，表明其能达成最公平的协议。在协商效率方面，AN-IFF的悲观型策略仅需约6轮即可达成协议，远快于其他模型。综合来看，AN-IFF模型在保证高满意度和公平性的同时，还能有效提升协商效率。

4. 时间折扣因子的敏感性分析

研究人员还对模型中的时间折扣因子β进行了敏感性分析。结果表明，随着β值的增大，协商轮次显著减少，即协商效率提高，但联合满意度(CASV)和公平性(DASV)仅在小范围内波动，表现出良好的稳定性。这证明了AN-IFF模型对时间压力参数具有鲁棒性，能够适应不同的临床时间约束环境。

结论与讨论

本研究成功构建了一个基于直觉模糊集(IFS)和模糊推理的智能体自动协商模型(AN-IFF)，为共享决策(SDM)提供了一种全新的、高效的辅助工具。该模型的核心贡献在于，它首次将直觉模糊集理论系统性地应用于医患协商中，通过“满意度-不满意度-犹豫度”的三元结构，精准地刻画了决策者在面对医疗不确定性时的复杂心理状态。同时，模型通过模糊推理系统(FIS)将这种不确定性动态地转化为智能体的让步行为，并辅以时间折扣机制，使得协商过程更加贴近真实的人类决策。

实验结果表明，AN-IFF模型在联合满意度、公平性和协商效率等多个维度上均优于现有的先进模型。更重要的是，模型所提出的三种人格化策略(乐观、平衡、悲观)能够有效模拟不同决策者的行为特征，为个性化、自适应的医患协商提供了可能。例如，对于时间紧迫的门诊场景，可以采用悲观型策略快速达成协议；而对于需要最大化双方利益的复杂决策，则可以采用乐观型策略进行深入探讨。

当然，该研究也存在一定的局限性。例如，模型目前主要针对特定的疾病场景(如儿科哮喘)，其普适性有待在更广泛的医疗决策中验证；此外，人格建模相对简化，未来可以探索更复杂的心理模型。尽管如此，AN-IFF模型无疑为破解共享决策的实践难题提供了一条充满希望的技术路径，有望在未来的智慧医疗中，成为连接医生专业智慧与患者个人价值的智能桥梁。