論文の概要: Reinforced Sequential Decision-Making for Sepsis Treatment: The POSNEGDM Framework with Mortality Classifier and Transformer

• arxiv url: http://arxiv.org/abs/2403.07309v1
• Date: Tue, 12 Mar 2024 04:36:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 22:52:45.490791
• Title: Reinforced Sequential Decision-Making for Sepsis Treatment: The POSNEGDM Framework with Mortality Classifier and Transformer
• Title（参考訳）: シープシス治療のための強化シーケンス決定--モータリティ分類器とトランスフォーマーを用いたPOSNEGDMフレームワーク
• Authors: Dipesh Tamboli and Jiayu Chen and Kiran Pranesh Jotheeswaran and Denny Yu and Vaneet Aggarwal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.42069621247448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sepsis, a life-threatening condition triggered by the body's exaggerated response to infection, demands urgent intervention to prevent severe complications. Existing machine learning methods for managing sepsis struggle in offline scenarios, exhibiting suboptimal performance with survival rates below 50%. This paper introduces the POSNEGDM -- ``Reinforcement Learning with Positive and Negative Demonstrations for Sequential Decision-Making" framework utilizing an innovative transformer-based model and a feedback reinforcer to replicate expert actions while considering individual patient characteristics. A mortality classifier with 96.7\% accuracy guides treatment decisions towards positive outcomes. The POSNEGDM framework significantly improves patient survival, saving 97.39% of patients, outperforming established machine learning algorithms (Decision Transformer and Behavioral Cloning) with survival rates of 33.4% and 43.5%, respectively. Additionally, ablation studies underscore the critical role of the transformer-based decision maker and the integration of a mortality classifier in enhancing overall survival rates. In summary, our proposed approach presents a promising avenue for enhancing sepsis treatment outcomes, contributing to improved patient care and reduced healthcare costs.
• Abstract（参考訳）: 敗血症は、身体の感染に対する過大な反応によって引き起こされる生命を脅かす症状であり、重篤な合併症を予防するために緊急の介入を要求する。 セプシを管理する既存の機械学習手法は、オフラインシナリオで苦労し、生存率が50%未満の最適化性能を示す。 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器を併用したposnegdm -- ‘reinforcement learning with positive and negative demonstrations for sequential decision-making’フレームワークについて紹介する。 96.7\%の死亡判定器は、治療決定を陽性の結果に導く。 POSNEGDMフレームワークは患者の生存率を大幅に改善し、97.39%の患者を救い、それぞれ33.4%と43.5%の確率で確立された機械学習アルゴリズム(決定変換器と行動クローン)を上回っている。 さらに、アブレーション研究はトランスフォーマーベースの意思決定者の役割と、全体の生存率を高めるための死亡率分類器の統合を強調している。 以上より, 患者医療の改善と医療費の削減に寄与し, 敗血症治療効果の向上に期待できる方法が提案されている。

関連論文リスト

• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  本研究の目的は,臨床専門家が院内死亡を予測できるように,解釈可能かつ正確なMLモデルを開発することである。 特定基準に基づいてMIMIC-IIIデータベースからICU患者の記録を分析し,関連データを抽出した。 ランダムフォレストモデルは敗血症関連院内死亡の予測に最も効果的であった。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• 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)
• 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)
• 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)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Mortality Prediction with Adaptive Feature Importance Recalibration for Peritoneal Dialysis Patients: a deep-learning-based study on a real-world longitudinal follow-up dataset [19.7915762858399]
  終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである 本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。 本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
  論文  参考訳（メタデータ） (2023-01-17T13:17:54Z)
• Predicting the Need for Blood Transfusion in Intensive Care Units with Reinforcement Learning [12.128991867050487]
  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。
  論文  参考訳（メタデータ） (2022-06-26T01:11:41Z)
• 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)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)

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。