論文の概要: Model Based Reinforcement Learning for Personalized Heparin Dosing
- arxiv url: http://arxiv.org/abs/2304.10000v1
- Date: Wed, 19 Apr 2023 22:37:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 14:57:05.424701
- Title: Model Based Reinforcement Learning for Personalized Heparin Dosing
- Title（参考訳）: パーソナライズされたヘパリン投与のためのモデルベース強化学習
- Authors: Qinyang He and Yonatan Mintz
- Abstract要約: 本稿では,パーソナライズされたヘパリン投与量を最適化する上での課題に対処する枠組みを提案する。
患者によって個別にパラメータ化された予測モデルを用いて、将来の治療効果を予測する。
次に、このモデルをシナリオ生成ベースのアプローチで活用し、患者の安全性を確保する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A key challenge in sequential decision making is optimizing systems safely
under partial information. While much of the literature has focused on the
cases of either partially known states or partially known dynamics, it is
further exacerbated in cases where both states and dynamics are partially
known. Computing heparin doses for patients fits this paradigm since the
concentration of heparin in the patient cannot be measured directly and the
rates at which patients metabolize heparin vary greatly between individuals.
While many proposed solutions are model free, they require complex models and
have difficulty ensuring safety. However, if some of the structure of the
dynamics is known, a model based approach can be leveraged to provide safe
policies. In this paper we propose such a framework to address the challenge of
optimizing personalized heparin doses. We use a predictive model parameterized
individually by patient to predict future therapeutic effects. We then leverage
this model using a scenario generation based approach that is capable of
ensuring patient safety. We validate our models with numerical experiments by
comparing the predictive capabilities of our model against existing machine
learning techniques and demonstrating how our dosing algorithm can treat
patients in a simulated ICU environment.
- Abstract（参考訳）: 逐次意思決定における鍵となる課題は、部分的情報の下で安全にシステムを最適化することである。
文献の多くは、部分的に知られた状態または部分的に既知のダイナミクスのケースに焦点を当てているが、状態とダイナミクスの両方が部分的に知られている場合においてさらに悪化している。
ヘパリンの濃度を直接測定することはできず、ヘパリンを代謝する割合が個人によって大きく異なるため、患者に対するヘパリンの計算量はこのパラダイムに適合する。
提案されたソリューションの多くはモデルフリーだが、複雑なモデルが必要であり、安全性を確保するのに困難である。
しかし、ダイナミックスの構造の一部が分かっていれば、モデルに基づくアプローチを利用して安全なポリシーを提供することができる。
本稿では,パーソナライズされたヘパリン線量最適化の課題に対処するための枠組みを提案する。
患者によって個別にパラメータ化された予測モデルを用いて将来の治療効果を予測する。
次に,患者安全を確保するシナリオ生成に基づくアプローチを用いて,このモデルを活用する。
我々は、既存の機械学習技術と比較し、シミュレーションしたICU環境における患者の治療方法を示すことによって、我々のモデルを数値実験で検証する。
関連論文リスト
- Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Bridging the Gap Between Patient-specific and Patient-independent
Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。
患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。
提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文 参考訳（メタデータ） (2022-02-25T10:30:29Z) - Development of patients triage algorithm from nationwide COVID-19
registry data based on machine learning [1.0323063834827415]
本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。
モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。
本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
論文 参考訳（メタデータ） (2021-09-18T19:56:27Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳（メタデータ） (2021-06-05T11:42:45Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。