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

• Identifying Differential Patient Care Through Inverse Intent Inference [3.4150521058470664]
  セプシス(英: Sepsis)は、感染に対する宿主の反応の低下により、臓器不全によって定義される生命を脅かす状態である。 多くの研究で、救急部や集中治療室に入院する患者の軌跡に、ケアの格差が存在することが報告されている。
  論文  参考訳（メタデータ） (2024-11-11T21:21:32Z)
• Offline Inverse Constrained Reinforcement Learning for Safe-Critical Decision Making in Healthcare [8.920060884688395]
  医療に応用された強化学習(RL)は、過度の服用や急激な変化など、安全でない医療判断や治療につながる可能性がある。 最近の逆制約強化学習(ICRL)は、専門家による実証から制約を推測する有望なアプローチである。 これらの設定は、オフラインデータセットに記録された歴史的な処理に依存する医療における意思決定システムの実践的な要件とは一致しない。 具体的には,1)制約の重み付けに非マルコフ層を用いながら,歴史的決定と観察を制約モデルに組み込む因果的注意機構を利用する。
  論文  参考訳（メタデータ） (2024-10-10T01:36:27Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• 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)
• 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)
• 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)

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。