論文の概要: Exploring a Graph-based Approach to Offline Reinforcement Learning for Sepsis Treatment

• arxiv url: http://arxiv.org/abs/2509.03393v1
• Date: Wed, 03 Sep 2025 15:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.569468
• Title: Exploring a Graph-based Approach to Offline Reinforcement Learning for Sepsis Treatment
• Title（参考訳）: シープシス治療のためのオフライン強化学習へのグラフベースアプローチの探索
• Authors: Taisiya Khakharova, Lucas Sakizloglou, Leen Lambers,
• Abstract要約: この研究は、よく知られたMIMIC-IIIデータセットからの患者データを、時間とともに進化する異種グラフとしてモデル化する。 患者の状態表現を学習するための2つのグラフニューラルネットワークアーキテクチャ、GraphSAGEとGATv2について検討する。
• 参考スコア（独自算出の注目度）: 2.7655615458735174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sepsis is a serious, life-threatening condition. When treating sepsis, it is challenging to determine the correct amount of intravenous fluids and vasopressors for a given patient. While automated reinforcement learning (RL)-based methods have been used to support these decisions with promising results, previous studies have relied on relational data. Given the complexity of modern healthcare data, representing data as a graph may provide a more natural and effective approach. This study models patient data from the well-known MIMIC-III dataset as a heterogeneous graph that evolves over time. Subsequently, we explore two Graph Neural Network architectures - GraphSAGE and GATv2 - for learning patient state representations, adopting the approach of decoupling representation learning from policy learning. The encoders are trained to produce latent state representations, jointly with decoders that predict the next patient state. These representations are then used for policy learning with the dBCQ algorithm. The results of our experimental evaluation confirm the potential of a graph-based approach, while highlighting the complexity of representation learning in this domain.
• Abstract（参考訳）: セプシスは重篤で致命的な症状である。 敗血症の治療においては, 適切な静脈内液量, 血管圧薬量を決定することは困難である。 自動強化学習(RL)に基づく手法は,これらの決定を有望な結果で支援するために用いられてきたが,従来の研究はリレーショナルデータに依存していた。 現代の医療データの複雑さを考えると、データをグラフとして表現することは、より自然で効果的なアプローチをもたらす可能性がある。 この研究は、よく知られたMIMIC-IIIデータセットからの患者データを、時間とともに進化する異種グラフとしてモデル化する。 次に、患者の状態表現を学習するための2つのグラフニューラルネットワークアーキテクチャ、GraphSAGEとGATv2について検討し、ポリシー学習から表現学習を分離するアプローチを採用する。 エンコーダは、次の患者状態を予測するデコーダと共同で潜在状態表現を生成するように訓練される。 これらの表現は、dBCQアルゴリズムを用いてポリシー学習に使用される。 この領域における表現学習の複雑さを強調しながら,実験による評価の結果,グラフベースのアプローチの可能性を確認した。

関連論文リスト

• Graph AI in Medicine [9.733108180046555]
  グラフニューラルネットワーク(GNN)は、関係によって相互接続されたノードとしてモダリティを視聴することで、データを一様に処理する。 GNNは、グラフ関係で定義された局所的なニューラル変換を通じて情報をキャプチャする。 知識グラフは、モデル駆動の洞察と医療知識を整合させることで、解釈可能性を高めることができる。
  論文  参考訳（メタデータ） (2023-10-20T19:01:01Z)
• Graph data modelling for outcome prediction in oropharyngeal cancer patients [38.37247384790338]
  グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。 口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T16:09:35Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
  病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。 隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
  論文  参考訳（メタデータ） (2021-07-01T03:59:22Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• An Empirical Study of Representation Learning for Reinforcement Learning in Healthcare [19.50370829781689]
  我々はMIMIC-IIIデータセットにおける敗血症患者のデータを用いて患者の状態を表現した。 逐次的に形成された状態表現は、バッチ設定において効果的なポリシー学習を促進する。
  論文  参考訳（メタデータ） (2020-11-23T06:37:08Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。