論文の概要: Compositional Q-learning for electrolyte repletion with imbalanced patient sub-populations

• arxiv url: http://arxiv.org/abs/2110.02879v2
• Date: Sun, 11 Feb 2024 00:21:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 01:38:50.516191
• Title: Compositional Q-learning for electrolyte repletion with imbalanced patient sub-populations
• Title（参考訳）: 不均衡患者集団による電解質除去のための構成Q-ラーニング
• Authors: Aishwarya Mandyam, Andrew Jones, Jiayu Yao, Krzysztof Laudanski, Barbara Engelhardt
• Abstract要約: 医療環境における不均一な治療反応を表現するために,Composeal Fitted $Q$-iteration (CFQI)を導入した。 CFQIは、各タスク変種ごとに異なるモジュールを持つ構成的な$Q$-value関数を使用し、共有知識を活用することができる。 カルトポール環境を用いてCFQIの性能を評価し,腎疾患および非腎疾患に対する電解質除去を推奨するためにCFQIを用いた。
• 参考スコア（独自算出の注目度）: 2.9271624996210313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning (RL) is an effective framework for solving sequential decision-making tasks. However, applying RL methods in medical care settings is challenging in part due to heterogeneity in treatment response among patients. Some patients can be treated with standard protocols whereas others, such as those with chronic diseases, need personalized treatment planning. Traditional RL methods often fail to account for this heterogeneity, because they assume that all patients respond to the treatment in the same way (i.e., transition dynamics are shared). We introduce Compositional Fitted $Q$-iteration (CFQI), which uses a compositional task structure to represent heterogeneous treatment responses in medical care settings. A compositional task consists of several variations of the same task, each progressing in difficulty; solving simpler variants of the task can enable efficient solving of harder variants. CFQI uses a compositional $Q$-value function with separate modules for each task variant, allowing it to take advantage of shared knowledge while learning distinct policies for each variant. We validate CFQI's performance using a Cartpole environment and use CFQI to recommend electrolyte repletion for patients with and without renal disease. Our results demonstrate that CFQI is robust even in the presence of class imbalance, enabling effective information usage across patient sub-populations. CFQI exhibits great promise for clinical applications in scenarios characterized by known compositional structures.
• Abstract（参考訳）: 強化学習(rl)は、逐次的な意思決定タスクを解決するための効果的なフレームワークである。 しかし,RL法を医療現場に適用することは,患者の治療反応の不均一性のために難しい。 一部の患者は標準的な手順で治療できるが、慢性疾患の患者はパーソナライズされた治療計画が必要である。 従来のRL法は、全ての患者が同じ方法で治療に反応すると仮定するため、この不均一性を説明できないことが多い(すなわち、遷移力学は共有される)。 医療環境における異種治療反応を表現するために,構成的タスク構造を用いたCFQI(Composeal Fitted $Q$-iteration)を導入する。 構成的タスクは、同じタスクのいくつかのバリエーションで構成され、それぞれが困難の中で進行し、より単純なタスクの変種を解くことで、より難しい変種を効率的に解決することができる。 CFQIは、各タスク変種ごとに異なるモジュールを持つ構成的な$Q$-value関数を使用し、各変種ごとに異なるポリシーを学習しながら共有知識を活用することができる。 カルトポール環境を用いてCFQIの性能を評価し,腎疾患および非腎疾患に対する電解質除去を推奨する。 その結果,CFQIはクラス不均衡の存在下においても堅牢であり,患者サブ集団間の効果的な情報利用が可能であった。 CFQIは、既知の構成構造を特徴とするシナリオにおける臨床応用に非常に有望である。

関連論文リスト

• 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)
• UniFed: A Universal Federation of a Mixture of Highly Heterogeneous Medical Image Classification Tasks [5.563171090433323]
  われわれはUniFedを紹介した。UniFedは、あらゆる画像モダリティから病気を分類することを目的とした、普遍的なフェデレーション学習パラダイムである。 具体的には、ローカルモデルとグローバルモデルの両方を動的に調整することで、UniFedはクライアントとサーバの様々なタスク複雑さを考慮します。 我々は, 網膜, 病理組織学, 肝腫瘍の診断において, 精度, 通信コスト, コンバージェンス時間に比較して, フレームワークの優位性を実証した。
  論文  参考訳（メタデータ） (2024-07-29T23:15:15Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Machine learning-based patient selection in an emergency department [0.0]
  本稿では機械学習(ML)に基づく患者選択手法の可能性について検討する。 システムの包括的な状態表現と、複雑な非線形選択関数が組み込まれている。 その結果,提案手法は評価条件の大部分においてAPQ法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-06-08T08:56:52Z)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• 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)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。