論文の概要: Medical Dead-ends and Learning to Identify High-risk States and
Treatments
- arxiv url: http://arxiv.org/abs/2110.04186v1
- Date: Fri, 8 Oct 2021 15:13:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 17:04:13.713373
- Title: Medical Dead-ends and Learning to Identify High-risk States and
Treatments
- Title(参考訳): 医療の行き詰まりと高リスク状態と治療の理解
- Authors: Mehdi Fatemi, Taylor W. Killian, Jayakumar Subramanian, Marzyeh
Ghassemi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.821495984906274
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning has successfully framed many sequential decision making
problems as either supervised prediction, or optimal decision-making policy
identification via reinforcement learning. In data-constrained offline
settings, both approaches may fail as they assume fully optimal behavior or
rely on exploring alternatives that may not exist. We introduce an inherently
different approach that identifies possible ``dead-ends'' of a state space. We
focus on the condition of patients in the intensive care unit, where a
``medical dead-end'' indicates that a patient will expire, regardless of all
potential future treatment sequences. We postulate ``treatment security'' as
avoiding treatments with probability proportional to their chance of leading to
dead-ends, present a formal proof, and frame discovery as an RL problem. We
then train three independent deep neural models for automated state
construction, dead-end discovery and confirmation. Our empirical results
discover that dead-ends exist in real clinical data among septic patients, and
further reveal gaps between secure treatments and those that were administered.
- Abstract(参考訳): 機械学習は、教師付き予測または強化学習による最適な意思決定ポリシー識別として、多くのシーケンシャルな意思決定問題に成功している。
データ制約のあるオフライン設定では、両方のアプローチが完全に最適な振る舞いを仮定したり、存在しない代替手段を探したりすることで失敗する可能性がある。
状態空間の `dead-ends'' を識別する本質的に異なるアプローチを導入する。
集中治療室の患者の状態に焦点をあて,「医療的デッドエンド」は,将来の治療シーケンスによらず,患者が期限切れとなることを示す。
我々は,「処理セキュリティ」を,死に至る確率に比例した治療を回避し,形式的証明を提示し,フレーム発見をRL問題として提案する。
次に、状態の自動構築、デッドエンドの発見、確認のために、3つの独立したディープニューラルネットワークモデルをトレーニングします。
以上の結果から, 敗血症患者の実臨床データにはデッドエンドが存在し, 安全な治療と投与とのギャップが明らかとなった。
関連論文リスト
- Inadequacy of common stochastic neural networks for reliable clinical
decision support [0.4262974002462632]
医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。
しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。
本研究は臨床応用における信頼性について考察する。
論文 参考訳(メタデータ) (2024-01-24T18:49:30Z) - Estimating Trustworthy and Safe Optimal Treatment Regimes [56.29769827286456]
我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。
本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
論文 参考訳(メタデータ) (2023-10-23T19:59:10Z) - Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning
Approach to Critical Care [68.8204255655161]
我々は、より信頼性の高いクリティカルケアポリシーを得ることができる深いQ-ラーニングアプローチを導入する。
まず、利用可能なすべての報酬に基づいてアクションセットを抽出し、次に、スパース主報酬に基づいて最終モデルを訓練し、制限されたアクションセットで達成する。
論文 参考訳(メタデータ) (2023-06-13T18:02:57Z) - Finding Counterfactually Optimal Action Sequences in Continuous State
Spaces [22.84932480886562]
有限水平マルコフ決定過程を用いた離散的な行動と連続状態の列を記述する。
次に,環境のダイナミクスの連続性に基づく探索手法を開発する。
提案手法は実際は非常に効率的であり, 逐次意思決定タスクに興味深い洞察を与える可能性がある。
論文 参考訳(メタデータ) (2023-06-06T18:00:29Z) - 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) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - 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) - 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) - Unifying Cardiovascular Modelling with Deep Reinforcement Learning for
Uncertainty Aware Control of Sepsis Treatment [0.2399911126932526]
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。
論文 参考訳(メタデータ) (2021-01-21T07:32:02Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z) - 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。