論文の概要: ICU-Sepsis: A Benchmark MDP Built from Real Medical Data

• arxiv url: http://arxiv.org/abs/2406.05646v2
• Date: Mon, 14 Oct 2024 06:57:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-15 15:01:37.829771
• Title: ICU-Sepsis: A Benchmark MDP Built from Real Medical Data
• Title（参考訳）: ICU-Sepsis: 実際の医療データから構築されたベンチマークMDP
• Authors: Kartik Choudhary, Dhawal Gupta, Philip S. Thomas,
• Abstract要約: 本稿では、強化学習(RL)アルゴリズムを評価するためのベンチマークで使用できるICU-Sepsisについて述べる。 近年, セプシス管理は応用RL研究において重要な課題となっている。
• 参考スコア（独自算出の注目度）: 17.94461385543479
• License:
• Abstract: We present ICU-Sepsis, an environment that can be used in benchmarks for evaluating reinforcement learning (RL) algorithms. Sepsis management is a complex task that has been an important topic in applied RL research in recent years. Therefore, MDPs that model sepsis management can serve as part of a benchmark to evaluate RL algorithms on a challenging real-world problem. However, creating usable MDPs that simulate sepsis care in the ICU remains a challenge due to the complexities involved in acquiring and processing patient data. ICU-Sepsis is a lightweight environment that models personalized care of sepsis patients in the ICU. The environment is a tabular MDP that is widely compatible and is challenging even for state-of-the-art RL algorithms, making it a valuable tool for benchmarking their performance. However, we emphasize that while ICU-Sepsis provides a standardized environment for evaluating RL algorithms, it should not be used to draw conclusions that guide medical practice.
• Abstract（参考訳）: 本稿では、強化学習(RL)アルゴリズムを評価するためのベンチマークで使用できるICU-Sepsisについて述べる。 近年, セプシス管理は応用RL研究において重要な課題となっている。 したがって、セプシス管理をモデル化したMDPは、実世界の課題に対してRLアルゴリズムを評価するベンチマークの一部として機能する。 しかし、ICUにおける敗血症ケアをシミュレートする有用なMDPを作成することは、患者のデータの取得と処理にまつわる複雑さのため、依然として課題である。 ICU-Sepsisは、ICUにおける敗血症患者のパーソナライズされたケアをモデル化する軽量環境である。 この環境は、広く互換性があり、最先端のRLアルゴリズムでさえも困難であり、パフォーマンスをベンチマークするための貴重なツールである。 しかし、ICU-SepsisはRLアルゴリズムを評価するための標準化された環境を提供するが、医療実践の指針となる結論を引き出すには使用すべきではない。

関連論文リスト

• DTR-Bench: An in silico Environment and Benchmark Platform for Reinforcement Learning Based Dynamic Treatment Regime [18.443316087890324]
  強化学習(Reinforcement Learning, RL)は、個人化医療における動的治療体制(DTR)を最適化する可能性の認知度を高めている。 多様な医療シナリオをシミュレートするベンチマークプラットフォームであるtextitDTR-Benchを紹介した。 我々はこれらの設定の様々な最先端のRLアルゴリズムを評価し、特に実世界の課題の中でその性能を強調した。
  論文  参考訳（メタデータ） (2024-05-28T21:40:00Z)
• Measurement Scheduling for ICU Patients with Offline Reinforcement Learning [16.07235754244993]
  研究によると、ICUで注文された検査の20-40%は冗長であり、患者の安全を損なうことなく排除できる。 これまでの研究はオフライン強化学習(Offline-RL)を利用して、患者情報に基づく検査の順序付けに最適なポリシーを見つけてきた。 その後、新しいICU患者データセットがリリースされ、Offline-RL法で様々な進歩がなされた。
  論文  参考訳（メタデータ） (2024-02-12T00:22:47Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Extending Machine Learning-Based Early Sepsis Detection to Different Demographics [1.2724528787590168]
  我々は,公立のeICU-CRDデータセットと韓国のセントメアリー病院のプライベートなデータセットを用いて,LightGBMとXGBoostのアンサンブル学習手法を比較した。 本分析は,医療データの不均衡に対処し,敗血症検出を増強する上で,これらの手法の有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-11-07T20:02:52Z)
• Semi-Markov Offline Reinforcement Learning for Healthcare [57.15307499843254]
  本稿では,SDQN,SDDQN,SBCQという3つのオフラインRLアルゴリズムを紹介する。 変動時間環境において,これらのアルゴリズムのみが最適ポリシーを学習できることを実験的に実証した。 我々は,脳卒中予防のためのウォーファリン投与に関連する実世界のオフラインデータセットに,我々の新しいアルゴリズムを適用した。
  論文  参考訳（メタデータ） (2022-03-17T14:51:21Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Temporal Clustering with External Memory Network for Disease Progression Modeling [8.015263440307631]
  疾患進行モデリング(DPM)は、特定の疾患の進行の重症度を定量的に測定するために数学的枠組みを使用する。 DPMは、健康状態の予測、疾患ステージの分類、疾患軌跡の評価など、多くの点で有用である。
  論文  参考訳（メタデータ） (2021-09-29T02:32:06Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Is Deep Reinforcement Learning Ready for Practical Applications in Healthcare? A Sensitivity Analysis of Duel-DDQN for Hemodynamic Management in Sepsis Patients [25.71979754918741]
  ICU患者に対する血行動態安定化治療戦略に応用した最先端RLアルゴリズムの感度解析を行った。 入力機能,埋め込みモデルアーキテクチャ,時間離散化,報酬関数,ランダムシードに対する学習ポリシーの感度について検討する。 その結果,これらの設定が学習ポリシーに大きく影響し,RLエージェントの出力を解釈する際に注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2020-05-08T22:08:31Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。