論文の概要: Unifying Cardiovascular Modelling with Deep Reinforcement Learning for
Uncertainty Aware Control of Sepsis Treatment
- arxiv url: http://arxiv.org/abs/2101.08477v2
- Date: Tue, 2 Feb 2021 05:55:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 08:01:25.019366
- Title: Unifying Cardiovascular Modelling with Deep Reinforcement Learning for
Uncertainty Aware Control of Sepsis Treatment
- Title（参考訳）: 深部強化学習を用いた心血管モデルの構築 : 敗血症治療における不確実性意識制御
- Authors: Thesath Nanayakkara, Gilles Clermont, Christopher James Langmead, and
David Swigon
- Abstract要約: 血管抑制剤および流動管理のための作戦で普遍的に合意がありません。
セプシスはICUの主要な死亡原因であり、すべての入院の6%と米国の病院内死亡の35%を担当しています。
本稿では,数学モデリング,深層学習,強化学習,不確実性定量化の補完的強みを活用し,統一する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.2399911126932526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sepsis is the leading cause of mortality in the ICU, responsible for 6% of
all hospitalizations and 35% of all in-hospital deaths in USA. However, there
is no universally agreed upon strategy for vasopressor and fluid
administration. It has also been observed that different patients respond
differently to treatment, highlighting the need for individualized treatment.
Vasopressors and fluids are administrated with specific effects to
cardiovascular physiology in mind and medical research has suggested that
physiologic, hemodynamically guided, approaches to treatment. Thus we propose a
novel approach, exploiting and unifying complementary strengths of Mathematical
Modelling, Deep Learning, Reinforcement Learning and Uncertainty
Quantification, to learn individualized, safe, and uncertainty aware treatment
strategies. We first infer patient-specific, dynamic cardiovascular states
using a novel physiology-driven recurrent neural network trained in an
unsupervised manner. This information, along with a learned low dimensional
representation of the patient's lab history and observable data, is then used
to derive value distributions using Batch Distributional Reinforcement
Learning. Moreover in a safety critical domain it is essential to know what our
agent does and does not know, for this we also quantify the model uncertainty
associated with each patient state and action, and propose a general framework
for uncertainty aware, interpretable treatment policies. This framework can be
tweaked easily, to reflect a clinician's own confidence of the framework, and
can be easily modified to factor in human expert opinion, whenever it's
accessible. Using representative patients and a validation cohort, we show that
our method has learned physiologically interpretable generalizable policies.
- Abstract（参考訳）: 敗血症はicuの主要な死亡原因であり、全入院の6%、米国における病院内死亡の35%を占めている。
しかし、血管圧薬と流体投与の戦略については、広く合意されていない。
また、異なる患者が治療に異なる反応を示し、個別治療の必要性を強調していることも観察されている。
バソプレッサーと流体は心血管系生理学に特異的な影響を及ぼしており、医学的な研究により、血液力学的に誘導された生理学的な治療アプローチが示唆されている。
そこで我々は,数学的モデリング,深層学習,強化学習,不確実性定量化の相補的強みを利用して,個別化,安全,不確実性を考慮した治療戦略を学習する新しいアプローチを提案する。
まず、新しい生理駆動型リカレントニューラルネットワークを用いて、患者固有の動的心血管状態を予測する。
この情報は、患者の実験室の歴史と観測可能なデータの学習された低次元表現とともに、バッチ分散強化学習を用いて価値分布を導出する。
さらに, 安全クリティカルな領域では, エージェントが何をし, 知らないかを知ることが不可欠であり, このために, 患者それぞれの状態や行動に関連するモデルの不確実性を定量化し, 不確実性を認識し, 解釈可能な治療方針に関する一般的な枠組みを提案する。
このフレームワークは、臨床医自身のフレームワークに対する信頼を反映して、簡単に微調整することができ、アクセス可能な場合は常に、人間の専門家の意見に影響を与えるように簡単に修正することができる。
代表的な患者と検証コホートを用いて,生理学的に解釈可能な一般化可能な方針を学習したことを示す。
関連論文リスト
- Learning Optimal Treatment Strategies for Sepsis Using Offline
Reinforcement Learning in Continuous Space [4.031538204818658]
本稿では,臨床医がリアルタイム治療に最適な基準選択を推奨するのに役立つ,歴史的データに基づく新しい医療決定モデルを提案する。
本モデルでは, オフライン強化学習と深層強化学習を組み合わせることで, 医療における従来の強化学習が環境と相互作用できない問題に対処する。
論文 参考訳（メタデータ） (2022-06-22T16:17:21Z) - 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) - Optimal discharge of patients from intensive care via a data-driven
policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。
本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。
データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文 参考訳（メタデータ） (2021-12-17T04:39:33Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Survival-oriented embeddings for improving accessibility to complex data
structures [2.1847940931069605]
本稿では、生存分析の文脈における深層ニューラルネットワークの直接解釈を支援するハザード規則化変分オートエンコーダを提案する。
肝腫瘍患者の腹部CT検査と生存時間について検討した。
論文 参考訳（メタデータ） (2021-10-21T17:38:08Z) - Medical Dead-ends and Learning to Identify High-risk States and
Treatments [7.821495984906274]
状態空間のデッドエンドの可能性を特定する、本質的に異なるアプローチを導入します。
集中治療室の患者の状態に焦点をあて, 医療死亡者」は, 将来的な治療シーケンスによらず, 患者が退院することを示す。
論文 参考訳（メタデータ） (2021-10-08T15:13:20Z) - Offline reinforcement learning with uncertainty for treatment strategies
in sepsis [0.0]
本稿では,データから敗血症治療に最適な推奨事項を抽出する強化学習の新たな応用法を提案する。
提案手法は1つのレコメンデーションではなく,いくつかの治療法を提示できる。
我々は,学習方針を検証し,死亡率と治療水準の相違により,強化学習が積極的な介入に偏っていることを明らかにする。
論文 参考訳（メタデータ） (2021-07-09T15:29:05Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z) - 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) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z) - Optimizing Medical Treatment for Sepsis in Intensive Care: from
Reinforcement Learning to Pre-Trial Evaluation [2.908482270923597]
本研究の目的は, 介入を最適化する強化学習(RL)が, 学習方針の治験に対する規制に適合する経路を遡及的に得る枠組みを確立することである。
我々は,死の主な原因の一つであり,複雑で不透明な患者動態のため治療が困難である集中治療室の感染症に焦点を当てた。
論文 参考訳（メタデータ） (2020-03-13T20:31:47Z)
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。