論文の概要: Predicting the Need for Blood Transfusion in Intensive Care Units with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2206.14198v1
• Date: Sun, 26 Jun 2022 01:11:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-30 19:43:43.743831
• Title: Predicting the Need for Blood Transfusion in Intensive Care Units with Reinforcement Learning
• Title（参考訳）: 強化学習を伴う集中治療室における輸血の必要性予測
• Authors: Yuqing Wang, Yun Zhao and Linda Petzold
• Abstract要約: 集中治療室(ICU)における血液の輸血は頻繁な介入である 不適切な輸血の決定は、しばしば合併症のリスクの増加と病院のコストの上昇と関連している。 我々は,輸血意思決定に利用可能な患者情報を用いた意思決定支援ツールの開発を目指している。
• 参考スコア（独自算出の注目度）: 12.128991867050487
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As critically ill patients frequently develop anemia or coagulopathy, transfusion of blood products is a frequent intervention in the Intensive Care Units (ICU). However, inappropriate transfusion decisions made by physicians are often associated with increased risk of complications and higher hospital costs. In this work, we aim to develop a decision support tool that uses available patient information for transfusion decision-making on three common blood products (red blood cells, platelets, and fresh frozen plasma). To this end, we adopt an off-policy batch reinforcement learning (RL) algorithm, namely, discretized Batch Constrained Q-learning, to determine the best action (transfusion or not) given observed patient trajectories. Simultaneously, we consider different state representation approaches and reward design mechanisms to evaluate their impacts on policy learning. Experiments are conducted on two real-world critical care datasets: the MIMIC-III and the UCSF. Results demonstrate that policy recommendations on transfusion achieved comparable matching against true hospital policies via accuracy and weighted importance sampling evaluations on the MIMIC-III dataset. Furthermore, a combination of transfer learning (TL) and RL on the data-scarce UCSF dataset can provide up to $17.02% improvement in terms of accuracy, and up to 18.94% and 21.63% improvement in jump-start and asymptotic performance in terms of weighted importance sampling averaged over three transfusion tasks. Finally, simulations on transfusion decisions suggest that the transferred RL policy could reduce patients' estimated 28-day mortality rate by 2.74% and decreased acuity rate by 1.18% on the UCSF dataset.
• Abstract（参考訳）: 重症の患者は貧血や凝固症を発症することが多いため、血液の輸血はICU(Intensive Care Units)に頻繁に介入される。 しかし、医師による不適切な輸血決定は、合併症のリスクの増加や病院の費用の増加と関連していることが多い。 本研究では,3つの血液産物(赤血球,血小板,凍結血漿)の輸血決定に利用可能な患者情報を用いた意思決定支援ツールを開発することを目的とする。 この目的のために,オフ・ポリティクス・バッチ強化学習(rl)アルゴリズム,すなわち離散化されたバッチ制約付きq-learningを採用し,観察された患者軌跡に対する最善の行動(輸血の有無)を決定する。 同時に,政策学習への影響を評価するために,異なる状態表現アプローチと報酬設計機構を検討する。 MIMIC-IIIとUCSFの2つの実世界のクリティカルケアデータセットで実験が行われた。 その結果,MIMIC-IIIデータセットの精度と重み付けされた重要度サンプリング評価により,輸血に関する政策勧告が真の病院方針に匹敵する一致を示した。 さらに、データスカースUCSFデータセット上のトランスファーラーニング(TL)とRLの組み合わせは、精度で最大17.02%の改善と、3つの輸液タスクで平均された重み付けされた重要度によるジャンプスタートおよび漸近性能の18.94%と21.63%の改善を提供することができる。 最後に、輸血決定に関するシミュレーションでは、移植されたRLポリシーは患者の28日間の死亡率を2.74%減らし、UCSFデータセットでは1.18%減らすことが示唆されている。

関連論文リスト

• Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
  心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。 広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。 本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
  論文  参考訳（メタデータ） (2024-09-03T07:57:08Z)
• Reinforced Sequential Decision-Making for Sepsis Treatment: The POSNEGDM Framework with Mortality Classifier and Transformer [29.42069621247448]
  既存の機械学習手法による敗血症管理は、生存率50%未満のオフラインシナリオで苦労する。 本稿では, 革新的トランスフォーマーモデルとフィードバック強化を用いたPOSNEGDMフレームワークを提案する。 POSNEGDMフレームワークは患者の生存率を大幅に改善し、97.39%の患者を救った。
  論文  参考訳（メタデータ） (2024-03-12T04:36:41Z)
• Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
  ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。 AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
  論文  参考訳（メタデータ） (2024-02-16T18:51:42Z)
• Robust Meta-Model for Predicting the Need for Blood Transfusion in Non-traumatic ICU Patients [10.169599503547134]
  ICU設定での貧血や凝固症管理に不可欠な輸血は、効果的な資源配分と患者のリスク評価の正確な予測を必要とする。 本研究の目的は,多種多様な非外傷性ICU患者に対して,今後24時間にわたって輸血の必要性を予測できる高度な機械学習モデルを開発することである。
  論文  参考訳（メタデータ） (2024-01-01T23:25:48Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Using Deep Learning-based Features Extracted from CT scans to Predict Outcomes in COVID-19 Patients [0.4841303207359715]
  Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。 深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。 これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
  論文  参考訳（メタデータ） (2022-05-10T16:22:16Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 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)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。