論文の概要: Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology

• arxiv url: http://arxiv.org/abs/2006.01061v1
• Date: Mon, 1 Jun 2020 16:38:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 06:40:05.112276
• Title: Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology
• Title（参考訳）: 補足学習とベイズデータ同化による腫瘍学の精度向上
• Authors: Corinna Maier, Niklas Hartung, Charlotte Kloft, Wilhelm Huisinga, and Jana de Wiljes
• Abstract要約: 現在の戦略はモデルインフォームドドッキングテーブルで構成されている。 ベイジアンデータ同化と/または強化学習を併用したMIPDのための新しい3つのアプローチを提案する。 これらのアプローチは、致命的グレード4と治療下グレード0のニュートロピーの発生を著しく減少させる可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model-informed precision dosing (MIPD) using therapeutic drug/biomarker monitoring offers the opportunity to significantly improve the efficacy and safety of drug therapies. Current strategies comprise model-informed dosing tables or are based on maximum a-posteriori estimates. These approaches, however, lack a quantification of uncertainty and/or consider only part of the available patient-specific information. We propose three novel approaches for MIPD employing Bayesian data assimilation (DA) and/or reinforcement learning (RL) to control neutropenia, the major dose-limiting side effect in anticancer chemotherapy. These approaches have the potential to substantially reduce the incidence of life-threatening grade 4 and subtherapeutic grade 0 neutropenia compared to existing approaches. We further show that RL allows to gain further insights by identifying patient factors that drive dose decisions. Due to its flexibility, the proposed combined DA-RL approach can easily be extended to integrate multiple endpoints or patient-reported outcomes, thereby promising important benefits for future personalized therapies.
• Abstract（参考訳）: 治療薬/バイオマーカーモニタリングを用いたMIPDは、薬物療法の有効性と安全性を大幅に改善する機会を提供する。 現在の戦略はモデルインフォームドドッキングテーブルで構成されている。 しかし、これらのアプローチは不確実性の定量化を欠き、利用可能な患者固有の情報の一部しか考慮しない。 抗がん剤化学療法における線量制限副作用である好中球減少を抑制するためにベイズデータ同化(DA)および/または強化学習(RL)を用いたMIPDの新しい3つのアプローチを提案する。 これらのアプローチは、既存のアプローチと比較して、致命的グレード4と治療下グレード0ニュートロピーの出現を著しく減少させる可能性がある。 さらに, 線量決定を誘導する患者因子を同定することにより, RLがさらなる知見を得ることができることを示す。 その柔軟性のため、DA-RLと組み合わせたアプローチは簡単に拡張でき、複数のエンドポイントや患者が報告した結果を統合することができ、将来のパーソナライズされた治療法に重要なメリットを期待できる。

関連論文リスト

• Causal machine learning for predicting treatment outcomes [75.13093479526151]
  Causal Machine Learning (ML)は、治療結果を予測するフレキシブルでデータ駆動の方法を提供する。 因果MLの主な利点は、個別化された治療効果を推定できることである。
  論文  参考訳（メタデータ） (2024-10-11T12:39:08Z)
• Development and Validation of Heparin Dosing Policies Using an Offline Reinforcement Learning Algorithm [0.7519918949973486]
  本研究では,強化学習に基づくパーソナライズされたヘパリン投与ポリシーを提案する。 オフラインRL環境における分配エラーを最小限に抑えるため,バッチ制約ポリシを実装した。 本研究はヘパリン投与の実践を強化し、医学における高度な意思決定支援ツールの開発の前例を確立する。
  論文  参考訳（メタデータ） (2024-09-24T05:20:38Z)
• OMG-RL:Offline Model-based Guided Reward Learning for Heparin Treatment [0.4998632546280975]
  本研究は,臨床医の意図を反映した報酬関数の開発に焦点をあてる。 限られたデータから専門家の意図を含むパラメータ化された報酬関数を学習する。 このアプローチはヘパリン服薬問題だけでなく、一般のRLベースの薬物服薬タスクにも広く利用することができる。
  論文  参考訳（メタデータ） (2024-09-20T07:51:37Z)
• CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning [10.60553153370577]
  医薬推奨は、患者の長期医療記録を統合し、正確で安全な薬品の組み合わせを提供することを目的としている。 既存の方法では、疾患や引き金や薬物の真の因果関係を深く探ることができないことが多い。 因果推論駆動型デュアルグラニュラリティメディケーション勧告法(CIDGMed)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T08:50:27Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Learning-Based sensitivity analysis and feedback design for drug delivery of mixed therapy of cancer in the presence of high model uncertainties [0.0]
  ダッシュボードは、結果の確率と関連する薬物使用量を減少状態空間のアイソ値曲線として要約した最も流動的な状態成分の2次元空間に構築可能であることが示されている。 ダッシュボードは、結果の確率と関連する薬物使用量を減少状態空間のアイソ値曲線として要約した最も流動的な状態成分の2次元空間に構築可能であることが示されている。
  論文  参考訳（メタデータ） (2022-05-16T07:08:50Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• Kernel Assisted Learning for Personalized Dose Finding [20.52632915107782]
  個別化線量規則は、患者レベル情報に基づいて、連続した安全な線量範囲内の線量レベルを推奨する。 本稿では,最適な個別化線量規則を推定するためのカーネル支援学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-19T23:03:26Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)

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。