論文の概要: ExOSITO: Explainable Off-Policy Learning with Side Information for Intensive Care Unit Blood Test Orders
- arxiv url: http://arxiv.org/abs/2504.17277v1
- Date: Thu, 24 Apr 2025 06:07:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.267001
- Title: ExOSITO: Explainable Off-Policy Learning with Side Information for Intensive Care Unit Blood Test Orders
- Title（参考訳）: ExOSITO:集中治療単位血液検査におけるサイド情報による説明可能なオフポリティ学習
- Authors: Zongliang Ji, Andre Carlos Kajdacsy-Balla Amaral, Anna Goldenberg, Rahul G. Krishnan,
- Abstract要約: そこで本稿では,ICU実験の最適セットを特定するために,非政治学習と特権情報を組み合わせた新しい手法を提案する。
オフラインデータを用いて訓練した因果バンドイットと,臨床的に承認されたルールから得られる報酬関数としてこの問題を提起する。
学習されたポリシー機能は、解釈可能な臨床情報を提供し、重要な検査命令を省略することなくコストを削減します。
- 参考スコア（独自算出の注目度）: 13.090586660373775
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ordering a minimal subset of lab tests for patients in the intensive care unit (ICU) can be challenging. Care teams must balance between ensuring the availability of the right information and reducing the clinical burden and costs associated with each lab test order. Most in-patient settings experience frequent over-ordering of lab tests, but are now aiming to reduce this burden on both hospital resources and the environment. This paper develops a novel method that combines off-policy learning with privileged information to identify the optimal set of ICU lab tests to order. Our approach, EXplainable Off-policy learning with Side Information for ICU blood Test Orders (ExOSITO) creates an interpretable assistive tool for clinicians to order lab tests by considering both the observed and predicted future status of each patient. We pose this problem as a causal bandit trained using offline data and a reward function derived from clinically-approved rules; we introduce a novel learning framework that integrates clinical knowledge with observational data to bridge the gap between the optimal and logging policies. The learned policy function provides interpretable clinical information and reduces costs without omitting any vital lab orders, outperforming both a physician's policy and prior approaches to this practical problem.
- Abstract（参考訳）: 集中治療室(ICU)の患者に対して、最小限の検査を発注することは困難である。
ケアチームは、適切な情報の提供の確保と、各ラボテストの順序に関連する臨床負担とコストの削減のバランスをとる必要があります。
ほとんどの患者は検査室でのオーバーオーダーを頻繁に経験するが、現在、病院の資源と環境の負担を軽減することを目指している。
そこで本稿では,ICU実験の最適セットを特定するために,非政治学習と特権情報を組み合わせた新しい手法を提案する。
ICU血液検査オーダー(ExOSITO)のためのサイド情報を用いた説明可能なオフ政治学習(Explainable Off-policy Learning with Side Information for ICU blood Test Orders, ExOSITO)は,臨床医が各患者の観察および予測された将来状況を考慮した検査を発注するための解釈可能な補助ツールである。
本稿では,オフラインデータと臨床承認規則に基づく報酬関数を用いてトレーニングした因果的盗聴としてこの問題を提起し,臨床知識と観察データを統合する新たな学習フレームワークを導入し,最適とロギングのポリシーのギャップを埋める。
学習された方針関数は、解釈可能な臨床情報を提供し、重要な検査命令を省略することなくコストを削減し、医師の方針とこの実践的な問題に対する以前のアプローチの両方を上回ります。
関連論文リスト
- Deep Causal Behavioral Policy Learning: Applications to Healthcare [0.0]
多様な非ランダム化医療環境におけるダイナミックな臨床行動体制を研究するための深層学習に基づくアプローチを提案する。
提案手法は,ディープラーニングアルゴリズムを用いて,高次元臨床行動経路の分布を学習する。
LCBMを用いて学習した行動政策の新たな解釈として,患者の治療に使用される複雑で暗黙的な知識を効率的に符号化する手法を提案する。
論文 参考訳（メタデータ） (2025-03-05T18:24:58Z) - Leveraging Self-Supervised Learning Methods for Remote Screening of Subjects with Paroxysmal Atrial Fibrillation [6.158210490716697]
本研究では,コホートを限定した臨床研究から予備的な結果を得る手段として,自己監督学習(SSL)の適用について検討する。
発作性心房細動 (P-AF) に対する遠隔モニタリング, 正常洞結節リズムにおける単誘導心電図信号を用いた被験者のスクリーニングについて検討した。
我々は,最先端のSSL手法と教師付き学習手法を併用して評価する。
論文 参考訳（メタデータ） (2025-03-04T13:42:38Z) - Development and Validation of Heparin Dosing Policies Using an Offline Reinforcement Learning Algorithm [0.7519918949973486]
本研究では,強化学習に基づくパーソナライズされたヘパリン投与ポリシーを提案する。
オフラインRL環境における分配エラーを最小限に抑えるため,バッチ制約ポリシを実装した。
本研究はヘパリン投与の実践を強化し、医学における高度な意思決定支援ツールの開発の前例を確立する。
論文 参考訳（メタデータ） (2024-09-24T05:20:38Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - 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) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳（メタデータ） (2023-05-30T22:05:11Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Towards Real-World Applications of Personalized Anesthesia Using Policy
Constraint Q Learning for Propofol Infusion Control [11.07500653906137]
Policy Constraint Q-Learning(PCQL)は、実際の臨床データセットで麻酔戦略を学習する問題を解決するための、データ駆動型強化学習アルゴリズムである。
PCQLは、実際の臨床麻酔データセットに関する広範な実験によって検証される。
論文 参考訳（メタデータ） (2023-03-17T10:05:20Z) - Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
本稿では,Re$3$Writer法を提案する。
本手法が患者の退院指示生成に有効であることを示す。
論文 参考訳（メタデータ） (2022-10-23T16:34:39Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。
残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
論文 参考訳（メタデータ） (2020-01-08T11:46:48Z)
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。