論文の概要: Learning medical triage from clinicians using Deep Q-Learning
- arxiv url: http://arxiv.org/abs/2003.12828v2
- Date: Wed, 24 Jun 2020 16:39:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 23:47:50.281103
- Title: Learning medical triage from clinicians using Deep Q-Learning
- Title（参考訳）: Deep Q-Learning を用いた臨床医からの医学トリアージの学習
- Authors: Albert Buchard, Baptiste Bouvier, Giulia Prando, Rory Beard, Michail
Livieratos, Dan Busbridge, Daniel Thompson, Jonathan Richens, Yuanzhao Zhang,
Adam Baker, Yura Perov, Kostis Gourgoulias, Saurabh Johri
- Abstract要約: 臨床用ウィグレットを用いたトリアージ患者に対するDeep Reinforcement Learningアプローチを提案する。
このデータセットは1374個の臨床ヴィグネットで構成され、実際の症例を表すために医師によって作成された。
このアプローチは人間のパフォーマンスと同等であり、94%のケースで安全なトリアージ決定が得られ、85%のケースで専門家の判断と一致している。
- 参考スコア（独自算出の注目度）: 0.3111424566471944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical Triage is of paramount importance to healthcare systems, allowing for
the correct orientation of patients and allocation of the necessary resources
to treat them adequately. While reliable decision-tree methods exist to triage
patients based on their presentation, those trees implicitly require human
inference and are not immediately applicable in a fully automated setting. On
the other hand, learning triage policies directly from experts may correct for
some of the limitations of hard-coded decision-trees. In this work, we present
a Deep Reinforcement Learning approach (a variant of DeepQ-Learning) to triage
patients using curated clinical vignettes. The dataset, consisting of 1374
clinical vignettes, was created by medical doctors to represent real-life
cases. Each vignette is associated with an average of 3.8 expert triage
decisions given by medical doctors relying solely on medical history. We show
that this approach is on a par with human performance, yielding safe triage
decisions in 94% of cases, and matching expert decisions in 85% of cases. The
trained agent learns when to stop asking questions, acquires optimized decision
policies requiring less evidence than supervised approaches, and adapts to the
novelty of a situation by asking for more information. Overall, we demonstrate
that a Deep Reinforcement Learning approach can learn effective medical triage
policies directly from expert decisions, without requiring expert knowledge
engineering. This approach is scalable and can be deployed in healthcare
settings or geographical regions with distinct triage specifications, or where
trained experts are scarce, to improve decision making in the early stage of
care.
- Abstract（参考訳）: 医療トリアージは医療システムにとって重要であり、患者の適切な向きと適切な治療に必要なリソースの割り当てを可能にする。
プレゼンテーションに基づいてトリアージ患者に信頼できる決定木法が存在するが、これらの木は暗黙的に人間の推論を必要とし、完全に自動化された環境ではすぐに適用できない。
一方、専門家から直接トリアージポリシーを学ぶことは、ハードコードされた決定ツリーのいくつかの制限を正す可能性がある。
本研究では, 臨床用vignettes を用いたトリアージ患者に対して, 深層強化学習(deepq-learning の変種)を提案する。
このデータセットは1374個の臨床ヴィグネットで構成され、実際の症例を表すために医師によって作成された。
それぞれのヴィグネットは、医学史にのみ依存する医師によって与えられる平均3.8の専門的トリアージ決定に関連付けられている。
このアプローチは人間のパフォーマンスと同等であり、94%のケースで安全なトリアージ決定が得られ、85%のケースで専門家の判断と一致している。
訓練されたエージェントは、いつ質問をやめるかを学習し、監督されたアプローチよりも証拠の少ない最適化された決定ポリシーを取得し、より多くの情報を求めることで状況の新規性に適応する。
全体として,深い強化学習アプローチは,専門家の知識工学を必要とせずに,専門家の判断から直接効果的な医療トリアージ政策を学習できることを実証する。
このアプローチはスケーラブルで、異なるトリアージ仕様のヘルスケア設定や地理的リージョンにデプロイしたり、トレーニングされた専門家が不足している場所でも、ケアの初期段階で意思決定を改善することができる。
関連論文リスト
- Leveraging graph neural networks for supporting Automatic Triage of
Patients [5.864579168378686]
本稿では,救急部門における緊急コード割り当てを管理するためのAIベースのモジュールを提案する。
バイタルサイン、症状、医療史などの関連する患者情報を含むデータは、患者をトリアージカテゴリーに正確に分類するために使用される。
論文 参考訳（メタデータ） (2024-03-11T09:54:35Z) - Defining Expertise: Applications to Treatment Effect Estimation [58.7977683502207]
専門知識(特にドメインの意思決定者が持つであろう専門知識の種類)は、治療効果の推定方法の設計と選択において有益である、と我々は主張する。
予測的および予測的2種類の専門知識を定義し,(i)ドメインにおける顕著な専門知識のタイプが治療効果推定における異なる手法の性能に大きく影響し,(ii)データセットに存在する専門知識のタイプを予測することが可能であることを実証的に示す。
論文 参考訳（メタデータ） (2024-03-01T17:30:49Z) - Transformer-based classification of user queries for medical consultancy
with respect to expert specialization [4.124390946636936]
本稿では,RuBERTモデルを用いた医療相談分野におけるユーザからの問い合わせを分類するための革新的な戦略を提案する。
我々は,クエリと特定の医療専門知識の正確な対応を容易にする様々なデータセット上で,事前学習したRuBERTモデルを微調整した。
論文 参考訳（メタデータ） (2023-09-26T04:36:12Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - POETREE: Interpretable Policy Learning with Adaptive Decision Trees [78.6363825307044]
POETREEは、ポリシー学習を解釈するための新しいフレームワークである。
患者の観察と医療史に基づいて、医師の行動を決定する確率的ツリーポリシーを構築する。
これは、リアルおよび合成医療データセットの最先端を上回ります。
論文 参考訳（メタデータ） (2022-03-15T16:50:52Z) - Explainable Deep Learning in Healthcare: A Methodological Survey from an
Attribution View [36.025217954247125]
本稿では,今後の研究者や臨床医の方法論として,深部・包括的に解釈可能性の方法を紹介した。
我々は、これらの方法が医療問題にどのように適応し、適用されたか、また、医師がこれらのデータ駆動技術をよりよく理解するのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2021-12-05T17:12:53Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳（メタデータ） (2021-05-13T04:14:35Z) - The Ethical Implications of Shared Medical Decision Making without
Providing Adequate Computational Support to the Care Provider and to the
Patient [1.52292571922932]
患者を医療決定に巻き込む必要性は明白である。
人工知能の最近の進歩は、第三のエージェント、コンピュータを追加することを示唆している。
倫理的医師は、計算決定支援技術を利用するべきである。
論文 参考訳（メタデータ） (2021-02-03T00:30:21Z) - Diagnosis of Acute Poisoning Using Explainable Artificial Intelligence [0.0]
医療毒性学者の知識基盤の一部を表す確率論的論理ネットワークを構築した。
Takと呼ばれるこのソフトウェアは、簡単なケースと中間的な困難ケースで人間に比較できるが、難しい臨床ケースでは人間より優れている。
論文 参考訳（メタデータ） (2021-02-01T19:16:59Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。