論文の概要: Reinforcement Learning Assisted Oxygen Therapy for COVID-19 Patients Under Intensive Care

• arxiv url: http://arxiv.org/abs/2105.08923v1
• Date: Wed, 19 May 2021 04:49:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 19:57:20.808404
• Title: Reinforcement Learning Assisted Oxygen Therapy for COVID-19 Patients Under Intensive Care
• Title（参考訳）: 集中治療中のcovid-19患者に対する強化学習支援酸素療法
• Authors: Hua Zheng, Jiahao Zhu, Wei Xie, Judy Zhong
• Abstract要約: 本研究では,集中治療中の重症患者の酸素流量を連続的に管理するための,深層強化学習(RL)に基づく機械学習アルゴリズムを開発した。 新型コロナウイルス患者の酸素流量軌跡と健康状態をマルコフ決定過程としてモデル化した。 個別の患者の特徴と健康状態に基づいて、強化学習に基づく酸素制御ポリシーが学習され、リアルタイムは死亡率を減らすために酸素流量を推奨する。
• 参考スコア（独自算出の注目度）: 2.092468653503906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patients with severe Coronavirus disease 19 (COVID-19) typically require supplemental oxygen as an essential treatment. We developed a machine learning algorithm, based on a deep Reinforcement Learning (RL), for continuous management of oxygen flow rate for critical ill patients under intensive care, which can identify the optimal personalized oxygen flow rate with strong potentials to reduce mortality rate relative to the current clinical practice. Basically, we modeled the oxygen flow trajectory of COVID-19 patients and their health outcomes as a Markov decision process. Based on individual patient characteristics and health status, a reinforcement learning based oxygen control policy is learned and real-time recommends the oxygen flow rate to reduce the mortality rate. We assessed the performance of proposed methods through cross validation by using a retrospective cohort of 1,372 critically ill patients with COVID-19 from New York University Langone Health ambulatory care with electronic health records from April 2020 to January 2021. The mean mortality rate under the RL algorithm is lower than standard of care by 2.57% (95% CI: 2.08- 3.06) reduction (P<0.001) from 7.94% under the standard of care to 5.37 % under our algorithm and the averaged recommended oxygen flow rate is 1.28 L/min (95% CI: 1.14-1.42) lower than the rate actually delivered to patients. Thus, the RL algorithm could potentially lead to better intensive care treatment that can reduce mortality rate, while saving the oxygen scarce resources. It can reduce the oxygen shortage issue and improve public health during the COVID-19 pandemic.
• Abstract（参考訳）: 重篤なコロナウイルス19(COVID-19)患者は、通常、必須治療として補充酸素を必要とする。 本研究では,集中治療中の重篤者に対する酸素流量の継続的な管理を目的とした深層強化学習(RL)に基づく機械学習アルゴリズムを開発した。 基本的には、新型コロナウイルス患者とその健康状態の酸素流量軌跡をマルコフ決定プロセスとしてモデル化した。 個別の患者特性と健康状態に基づいて、強化学習に基づく酸素管理ポリシーを学習し、死亡率を減らすために酸素流量をリアルタイムに推奨する。 本研究は,2020年4月から2021年1月までに,ニューヨーク大学ラングーン保健センターの重症心身障害患者1,372名を対象に,電子カルテを用いた相互検証を行い,提案手法の有効性を検証した。 RLアルゴリズムの平均死亡率は2.57%(95% CI: 2.08-3.06)の減少率(P<0.001)から、我々のアルゴリズムでは7.94%から5.37%に低下し、推奨酸素流量は、実際に患者に届けられた率よりも1.28L/min(95% CI: 1.14-1.42)低い。 したがって、rlアルゴリズムは、酸素不足の資源を節約しながら、死亡率を低減できるより集中治療に繋がる可能性がある。 新型コロナウイルス(COVID-19)のパンデミックで酸素不足の問題を減らし、公衆衛生を改善できる。

関連論文リスト

• Development and external validation of a lung cancer risk estimation tool using gradient-boosting [3.200615329024819]
  肺がんは世界中で死亡の重大な原因であり、早期発見が生存率の向上に重要であることを強調している。 我々は,PLCOがんスクリーニング試験のデータに基づいて学習し,NLSTで検証する機械学習(ML)ツールを提案する。 開発されたMLツールは、5年以内に肺がんを発症する可能性を推定するための無償のWebアプリケーションを提供する。
  論文  参考訳（メタデータ） (2023-08-23T15:25:17Z)
• Detection of Risk Predictors of COVID-19 Mortality with Classifier Machine Learning Models Operated with Routine Laboratory Biomarkers [0.0]
  研究データセットは、2021年8月から12月にかけて、2597人の患者(n = 233)が死亡し、COVID-19から回復した(n = 2364)38人の血液値からなる。 プロカルシトニンと最も効率的な二成分結合は、D-二量体、ESR、D.Bil、フェリチンで得られた。 単一の特徴を持つHGBモデルでは、最も効率的な特徴はプロカルシトニン(F12 = 0.96)とフェリチン(F12 = 0.91)である。
  論文  参考訳（メタデータ） (2022-10-22T04:06:43Z)
• Early ICU Mortality Prediction and Survival Analysis for Respiratory Failure [4.229085609275446]
  呼吸不全患者の早期死亡リスク予測のための動的モデリング手法を,最初の24時間ICU生理学的データに基づいて提案する。 ICU導入後5日目のAUROC高成績(80～83%)とAUCPR4%の有意な改善が得られた。
  論文  参考訳（メタデータ） (2021-09-06T06:03:23Z)
• An early warning tool for predicting mortality risk of COVID-19 patients using machine learning [0.0]
  2020年1月10日から2月18日にかけて、東寺病院(中国)に入院した375人の新型コロナウイルス陽性患者を対象に、振り返り調査を行った。 新型コロナウイルス患者の死亡リスクを予測するため,ノモグラムが開発された。 総合スコア(LNLCA)を対応する死亡確率で算出した。
  論文  参考訳（メタデータ） (2020-07-29T15:16:09Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Predicting Mortality Risk in Viral and Unspecified Pneumonia to Assist Clinicians with COVID-19 ECMO Planning [26.25177784899079]
  新型コロナウイルス(COVID-19)による呼吸器合併症は、2020年に数万人が命を落とした。 重症急性呼吸症候群 (SARS-CoV-2) からウイルス性肺炎から急性呼吸不全症候群 (ARDS) へとエスカレートした症例が多い。 体外膜酸素療法(Extracorporeal membranous oxygenation, ECMO)は、重症心身障害患者に対する持続的酸素・換気療法である。
  論文  参考訳（メタデータ） (2020-06-02T19:30:29Z)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。