論文の概要: Learning Optimal Treatment Strategies for Sepsis Using Offline Reinforcement Learning in Continuous Space

• arxiv url: http://arxiv.org/abs/2206.11190v1
• Date: Wed, 22 Jun 2022 16:17:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 14:58:22.371894
• Title: Learning Optimal Treatment Strategies for Sepsis Using Offline Reinforcement Learning in Continuous Space
• Title（参考訳）: 連続空間におけるオフライン強化学習を用いた敗血症の最適治療戦略の学習
• Authors: Zeyu Wang, Huiying Zhao, Peng Ren, Yuxi Zhou, Ming Sheng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.031538204818658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sepsis is a leading cause of death in the ICU. It is a disease requiring complex interventions in a short period of time, but its optimal treatment strategy remains uncertain. Evidence suggests that the practices of currently used treatment strategies are problematic and may cause harm to patients. To address this decision problem, we propose a new medical decision model based on historical data to help clinicians recommend the best reference option for real-time treatment. Our model combines offline reinforcement learning with deep reinforcement learning to address the problem that traditional reinforcement learning in healthcare cannot interact with the environment, enabling our model to make decisions in a continuous state-action space. We demonstrate that, on average, the treatments recommended by the model are more valuable and reliable than those recommended by clinicians. In a large validation dataset, we found that patients whose actual doses from clinicians matched the AI's decisions had the lowest mortality rates. Our model provides personalized, clinically interpretable treatment decisions for sepsis that can improve patient care.
• Abstract（参考訳）: 敗血症はicuの主要な死因である。 短期間に複雑な介入を必要とする疾患であるが、その最適な治療戦略は定かではない。 証拠は、現在使われている治療戦略の実践が問題であり、患者に害を与える可能性があることを示唆している。 この問題を解決するために,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を支援するために,歴史的データに基づく新たな医療決定モデルを提案する。 我々のモデルは、オフライン強化学習と深層強化学習を組み合わせて、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し、継続的な状態行動空間における決定を可能にする。 このモデルが推奨する治療は, 臨床医が推奨する治療よりも, 平均的に有用で信頼性が高いことが示されている。 大規模な検証データセットでは、臨床医の実際の服用量とAIの決定が一致した患者が死亡率が最も低いことがわかった。 本モデルでは, 患者ケアを改善するために, パーソナライズし, 臨床的に解釈可能な治療決定を行う。

関連論文リスト

• Empowering Clinicians with Medical Decision Transformers: A Framework for Sepsis Treatment [5.0005174003014865]
  安全クリティカルな環境下での課題を解決するための医療意思決定変換器(MeDT)を提案する。 MeDTは、決定トランスフォーマーアーキテクチャを使用して、薬物投与推奨のポリシーを学ぶ。 MeDTは、患者の医療履歴、治療決定、結果、安定性に対する短期的影響の複雑な依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-07-28T03:40:00Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  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)
• A Conservative Q-Learning approach for handling distribution shift in sepsis treatment strategies [0.0]
  どんな介入が最善かについては合意が得られず、異なる患者が同じ治療に対して非常に異なる反応を示す。 深層強化学習法は、医師の行動を反映した治療戦略のための最適なポリシーを考案するために用いられる。 この方針は、集中治療室の診療医が敗血症患者を治療し、生存率を向上させる上でより良い判断を下すのに役立つ可能性がある。
  論文  参考訳（メタデータ） (2022-03-25T19:50:18Z)
• 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)
• 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)
• 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)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• 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)
• 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。